综述:从碎片化到一体化监测:中低收入国家疫情侦测与疫苗情报的数字路径

《Frontiers in Public Health》:From fragmented to integrated surveillance in LMICs: digital pathways for outbreak detection and vaccine intelligence

【字体: 大 中 小 】 时间:2026年08月07日 来源:Frontiers in Public Health 4.1

编辑推荐:

  背景:中低收入国家(LMICs)长期依赖碎片化、疾病特异性的监测系统,导致数据延迟且不完整。COVID-19等新发传染病暴发凸显了对一体化、实时数字监测体系的迫切需求,以提升早期疫情侦测效能并优化疫苗部署策略。方法:研究人员遵循SANRA(Scale for

  
背景:中低收入国家(LMICs)长期依赖碎片化、疾病特异性的监测系统,导致数据延迟且不完整。COVID-19等新发传染病暴发凸显了对一体化、实时数字监测体系的迫切需求,以提升早期疫情侦测效能并优化疫苗部署策略。方法:研究人员遵循SANRA(Scale for the Assessment of Narrative Review Articles)规范开展结构化叙述性综述,检索2019–2025年间关于LMICs传染病监测中数字健康、人工智能(AI)、基因组监测及疫苗信息系统的文献。检索数据库包括PubMed、Scopus、WHO IRIS及区域CDC知识库,采用预设布尔检索式。经筛选312篇文献后,最终纳入46篇独立参考文献进行综合分析。结果:LMICs传统基于指标的监测系统普遍存在数据孤岛、互联互通不足及人力短缺等问题。数字平台(如DHIS2、移动端报告系统、云端仪表盘)可整合多部门数据并加速疫情信号识别。AI工具虽具预测潜力,但仅14%已发表模型在LMICs完成外部验证。电子免疫登记系统成效显著:疫苗断货率降低最高达76%,覆盖率提升12.3%,中位报告延迟由28天缩短至3天。主要障碍包括数据格式非标准化、网络连接不稳定、算法偏倚及数据治理缺失。结论:实现LMICs一体化监测需遵循互操作性标准,建设稳健数字基础设施,推进“同一健康”(One Health)数据整合,并建立公平的数据治理体系。研究人员提出四层概念框架,强调本土能力建设、政策支持及伦理AI框架投入对可持续创新的关键作用。
1 引言
传染病监测是流行病学的基础,旨在及时识别疫情并指导公共卫生干预。尽管《国际卫生条例》及世界卫生组织(WHO)综合疾病监测与应对(IDSR)框架倡导一体化、多病种监测,但多数LMICs数据仍呈碎片化与孤岛化特征。脊髓灰质炎、结核病和疟疾等垂直项目常并行收集数据却缺乏互操作交换,导致工作冗余与监测盲区。以诊所和实验室手工报告为基础的传统指标系统存在延迟与覆盖不足问题。COVID-19大流行暴露了此类结构性缺陷,实验室确诊延迟及对纸质记录的依赖严重阻碍了应急响应,凸显了监测数字化转型的紧迫性。人工智能与数字健康为破解碎片化提供了可行路径。大数据与AI可融合临床病例报告、基因序列、人口流动数据及社交媒体流等多源信息,支撑早期疫情预警与精准靶向干预。数字疫苗情报解决方案,如电子库存管理平台与免疫登记系统,通过实时追踪接种覆盖率与冷链物流,可提升疫苗分发公平性。理论上,单一疫情情报平台可整合免疫仪表盘、基因变异追踪及症状警报,实现前瞻性协同响应。本结构化叙述性综述依据SANRA规范,综合LMICs数字监测前沿研究,聚焦互操作性、AI驱动疫情侦测、基因组监测及数字免疫体系,旨在阐明LMICs如何从碎片化数据系统转型为一体化协作监测模式,以优化疫情侦测与疫苗决策。
2 方法
本研究为遵循SANRA规范的结构化叙述性综述,旨在提供概念整合概览而非穷举证据图谱,故未采用系统评价或正式范围综述设计,但借鉴PRISMA-ScR(Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews)原则提升文献检索、筛选及报告的透明度,未进行荟萃分析或正式证据图谱构建。纳入标准包括:2019年1月至2025年12月发表的同行评审文献、灰色文献及官方报告;研究开展于LMICs或可直接适用于该类地区;涉及至少一个领域:数字疾病监测、AI驱动疫情侦测、基因组流行病学、电子免疫登记系统或One Health数据整合;英文文献;定量、定性或混合方法研究。排除标准涵盖:仅聚焦高收入国家且无LMICs适用性的研究;2019年前发表的非奠基性文献(被引<50次);缺乏实证数据的观点述评;无全文的会议摘要;仅限于非传染性疾病监测的研究。检索数据库包括PubMed、Scopus及WHO IRIS、非洲CDC、泛美卫生组织(PAHO)机构知识库,核心检索词组合涉及“数字监测”“LMICs”“人工智能”“基因组监测”“疫苗登记系统”等,并根据各数据库调整检索式。初检文献312篇,去重后剩余268篇,经题目与摘要初筛排除118篇,对150篇全文进行资格评估,最终46篇纳入叙述性合成。纳入研究沿三个维度进行质量评价:证据强度(强:多国前瞻性研究或对照试验、系统评价;中:观察性队列、单国评估;弱:病例报告、灰色文献)、偏倚风险(选择偏倚、信息偏倚、算法偏倚)及在LMICs亚区域的普适性。
3 碎片化与一体化监测系统对比
LMICs监测系统普遍高度碎片化。数据孤岛现象突出:多国并行运行疟疾、霍乱、麻疹等独立疾病项目,系统间互不共享数据。尼日利亚脊髓灰质炎数字报告系统虽提升了时效性,但因网络不佳与标准缺失导致数据完整性不足;乌干达结核病移动报告增强了实时警报,却未能对接实验室数据库,造成确诊信息丢失。基础设施缺口显著:电力不稳、网络覆盖低及纸质登记依赖广泛存在。人力资源约束严峻:塞拉利昂、印度等地卫生工作者常因多重报告工具不堪重负,专业人才匮乏。现有系统多“薄弱、孤立且资源匮乏”,导致漏报与疫情信号延迟。相比之下,一体化数字系统可实现数据统一归集。DHIS2等共享电子健康信息系统能汇集多病种病例数据,支撑仪表盘与分析功能。肯尼亚47家卫生设施的前瞻性前后对照评估显示,基于短信的报告使中位报告延迟缩短约60%(28天降至11天)。云端数据库与地理空间制图工具可实现病例集群即时可视化。移动设备、GIS与机器学习分析的进步可识别传统系统遗漏的异常信号。两类系统在数据采集(垂直项目/纸质聚合 vs 统一HIS/电子病例报告/移动应用)、数据流(孤立孤岛/延迟批处理 vs 互操作数据库/HL7 FHIR实时管道)、疫情侦测(延迟实验室确诊/低敏感性 vs AI异常检测/症状与事件监测)、疫苗信息(纸质库存/人工追踪 vs eVIN/CoWIN实时库存与覆盖率仪表盘)及利益相关方参与(仅人类健康 vs One Health多部门协作)等方面存在本质差异。
4 数字互操作性与体系架构
互操作性——系统无缝共享与使用信息的能力——是监测一体化的前提。多数LMICs健康信息系统因缺乏通用标准导致数据库割裂。近期范围分析表明,LMICs常受困于老旧系统与数字基础设施缺陷,采纳国际数据标准(临床数据HL7 FHIR、编码SNOMED/ICD-10)及国家互操作性框架是关键促进因素。HL7 FHIR作为健康数据交换行业标准,可实现跨应用无缝数据共享。WHO《2020–2025全球数字健康战略》明确倡导开放标准与共享数据格式。然而,治理与投资滞后依然突出。Adekoya等指出LMICs普遍缺乏公平实施互操作性的政策、基础设施与培训人员。需建立多利益相关方数据治理机构与公私合作伙伴关系,确保基层诊所接入国家网络时避免数据权属冲突。
5 人工智能与大数据疫情侦测
AI与大数据分析正变革疫情侦测范式,亦是AI赋能诊断、治疗规划及运营效率提升的组成部分。BlueDot利用自然语言处理(NLP)与航空数据,从65种语言的百余数据源中提取信号,较WHO官方预警提前9天发出COVID-19传播警报。欧洲疾控中心(ECDC)的EpiTweetr跨语言筛查社交媒体疾病迹象。此类“数字流行病学”技术通过实时捕获全球信号,补充了传统指标监测。但LMICs应用AI面临独特挑战:网络连接不稳限制连续数据流,遗留数据兼容性问题阻碍模型训练,算法偏倚(模型主要基于高收入国家流行曲线训练)延缓采纳。如Google Flu Trends因搜索查询混杂因素持续高估流感发病率所示,AI系统常产生大量需人工核验的警报。批判性比较揭示性能差异:BlueDot(基于事件的NLP+航班数据)虽对COVID-19预警领先WHO 9天,但其专有架构与航空数据依赖难以在航班连通性差的LMICs复制;开源社交媒体监测工具EpiTweetr在多语言LMICs验证中灵敏度仅38%–52%,假阳性率高;PandemicLLM/EpiLLM系统在回顾性验证中灵敏度约71%、特异度63%,但因缺乏前瞻性LMICs验证,仅属概念验证阶段;卢旺达DHIS2集成ML异常检测模块使疫情报告延迟降低42%(中位数21天降至12天)。跨系统阳性预测值介于20%–45%,验证负荷可能超出资源有限卫生系统的承受力。近期综述强证据表明,仅约14%已发表AI监测模型在LMICs完成外部验证,凸显显著的落地鸿沟。尽管回顾性验证展现良好预测性能,但多属概念验证,多数模型未在LMICs常规项目条件下接受前瞻性评估——数据质量、报告完整性、基础设施局限及流行病学异质性可能显著影响模型表现。因此,AI赋能监测应定位为决策支持技术,补充而非替代现有流行病学监测,必须保留“人在回路”(human-in-the-loop)验证机制,确保警报经流行病学专家结合本地情境解读。针对LMICs的高效AI监测管道包含五级架构:数据输入层(DHIS2病例报告、实验室HL7 FHIR流、社区卫生工作者离线优先移动应用、环境传感器、社交媒体API);预处理与标准化层(自动去重、ICD-10规范化、缺失数据插补);特征提取层(空间聚类SaTScan、时间异常评分、基因组变异分类);模型层(结构化数据集成梯度提升、非结构化信号微调大语言模型LLM、校准概率输出);最终由流行病学家与公共卫生当局进行人在回路验证,再启动公共卫生行动,以降低假阳性验证负担并确保决策契合本地流行病学优先级与治理要求。
6 基因组监测与One Health整合
病原体基因组学已成为现代监测的核心。测序技术可追踪传播链与变异。高收入国家已快速将下一代测序(NGS)整合入SARS-CoV-2监测,LMICs则通过非洲CDC病原体基因组学计划等迎头赶上。COVID-19前仅约39%低收入国家向国际数据库共享流感基因组数据(高收入国家为78%),非洲约75%测序能力集中于5国。LMICs基因组项目常始于霍乱或埃博拉等垂直研究,形成数据孤岛,分析多在海外完成且未关联病例监测数据库。COVID-19经验证明LMICs共享SARS-CoV-2基因组的可行性,但需配套含公平惠益分享条款的数据共享协议以激励本地科学家提交数据。功能性LMICs One Health整合模型包含共享治理框架下的三个数据域:人类健康域(社区卫生工作者报告、机构DHIS2病例记录、实验室基因序列、电子免疫登记数据);动物健康域(兽医实验室结果、野生动物监测数据、牲畜发病死亡报告,兼容FAO EMPRES-i);环境域(媒介监测、水质监测、降雨温度异常、卫星土地利用变化指标)。三方委员会监管国家One Health数据枢纽,采用标准化本体(SNOMED、LOINC、OIE代码)计算复合溢出风险指标。2023年东非多国评估显示,人畜共患病联合监测较单一人类系统中位提前18天识别疫情。但目前仅不到10% LMICs拥有可运行的One Health数据平台,多数努力仍限于项目层面。孟加拉国尼帕病毒案例表明,果蝠种群数据未与健康数据联动导致预警延迟。
7 疫苗情报与数字免疫体系
超越疫情侦测,数据分析在免疫系统的应用日益关键。印度电子疫苗情报网络(eVIN)通过移动设备追踪冷链温度与库存水平,优化配送流程。国家级项目评估强证据表明eVIN使疫苗断货率降低最高达76%,冷链合规率由72%提升至93%(680个站点)。印度CoWIN平台提供数字疫苗接种证书、预约服务及个体接种量追踪。坦桑尼亚电子免疫登记系统观察性评估中等证据表明其使疫苗覆盖率提升12.3个百分点。数字疫苗情报系统不仅改善数据采集与物流,更支撑 operational 公共卫生决策:可近实时标记疫苗犹豫导致的覆盖缺口;监测慢性病患者等高风险亚群接种率(该群体覆盖率显著低于一般人群),支持精准免疫策略;结合血清学监测可识别隐性免疫缺口,弥补行政覆盖率估算偏差,如血清流行率方法用于发现脊髓灰质炎病毒残留免疫缺口。这些能力强化了疫苗情报作为一体化疫情情报核心组件的地位,而非单纯物流管理系统。量化证据汇总显示:eVIN强证据证实断货率降76%、冷链合规率显著提升;坦桑尼亚EIR中等证据显示覆盖率升12.3个百分点;肯尼亚短信报告强证据显示中位延迟28天缩至3天;孟加拉国区級试点中等证据表明电子免疫登记使失访率降34%;尼日利亚单点试点初步证据表明冷链违规响应时间由6.2小时缩至1.1小时。但多数估计源于试点、旗舰项目或有利条件下的观察性评估,外推至常规LMICs卫生系统需谨慎,亟需多国前瞻性评估。传统免疫数据系统(纸质日志、物理卡片、延迟汇总报告、人工冷链记录、无 outreach 随访)与数字疫苗情报平台(实时电子库存、全国数字证书、即时仪表盘、传感器温控、自动短信提醒、便携唯一健康ID、集成高风险聚类分析)在七大操作挑战上形成鲜明对比。
8 实施障碍与促进因素
技术基础设施方面,网络覆盖不均且不稳定,离线优先软件与太阳能/电池供电实验室仅为部分解决方案且成本较高,模拟向数字转型本身亦构成系统负担。人力资本方面,合格数据管理与分析师短缺,非洲调查显示卫生工作者常难以适应新系统导致数据缺口,需通过任务转移与远程指导持续开展社区工作者培训。治理与政策方面,捐助方主导项目偶建竞争性报告系统,多国因缺乏数据隐私法抑制数字共享,“数据殖民主义”——外部主体榨取价值却不公平分享惠益——引发关切,需深化区域科学家合作与开放数据实践。财政资源方面,持续资金保障至关重要,多捐助方项目常聚焦垂直产出,各国须拨款维护数据中心、分析团队与IT基础设施,公私合作可降低开支。关键促进因素包括:国际合作(如非洲CDC病原体基因组学计划提供区域协作范本)、开源工具(DHIS2、KoBoToolbox、OpenMRS降本且可定制)、移动渗透率(高智能手机普及率支撑离线优先工具)、全球标准(WHO数字健康互操作性框架便利未来整合)、后COVID-19政治势能(多国政府认可早期检测投资回报)。一体化数字监测除提升疫情侦测外,更增强卫生系统韧性,支持重大传染病应急全周期适应性响应。COVID-19表明碎片化报告与纸质系统不仅阻碍疫情防控,更扰乱常规医疗服务与资源分配。治理与公平是成功基石:需国家数据治理机构确立数据管护、互操作性、伦理AI部署及跨部门共享的监管框架;AI模型投入运行前须经本地验证以确保跨流行病学与人口学场景的性能可接受;采纳开放互操作标准与透明采购流程可减少供应商锁定;公平惠益分享安排确保数据贡献国获得相应科技与公共卫生回报;强网络安全措施、角色访问控制、审计追踪及遵守国家数据保护法以守护敏感健康信息;通过透明度、利益相关方参与及明确问责机制(针对假阳性警报、漏报疫情、算法错误)维系社区信任,是实现LMICs一体化疫情情报平台可持续落地的关键。
9 一体化监测案例研究
印度通过Ayushman Bharat健康账户链接CoWIN与eVIN数据,迈向统一健康记录。农村卫生工作者使用安卓离线应用,联网后同步国家服务器,弥合连接鸿沟。涉及约150万接种人员的COVID-19疫苗接种运动证明国家尺度数字转型的可行性。坦桑尼亚2017年启动TImR,分析近百万次就诊的迁移与失访模式;同时加大基因组监测投入,2021年后测序能力提升,新版国家卫生研究政策规定强制数字数据共享。肯尼亚One Health平台整合人与动物健康监测以应对裂谷热等人畜共患病,将动物死亡手机报告与人类发热病例临床报告汇入联合数据库。2020年裂谷热预警期间,该系统实现动物疫情与人类病例交叉验证,加速高风险郡疫苗环状接种。但可运行One Health平台在多数LMICs仍属罕见,限制普适性。上述案例表明,定制化整合策略——结合互操作技术与强治理——可同步提升疫情响应与疫苗递送效能。非洲CDC、东盟CDC等机构的多部门协调是关键促进因素。但需注意,多数数字监测平台的积极成效源于有利操作条件或资源充足的国家项目,效应值应解读为一体化数字监测的潜在效力,而非所有LMICs卫生系统的普适成果,亟需常规项目条件下的多国前瞻性评估以确证外效性、可扩展性与可持续性。
10 未来方向
研究人员展望的监测架构将环境传感器、测序仪、即时诊断设备与社区病例报告汇入中央分析云,机器学习模型持续运行以识别多源关联异常并警示卫生管理者。疫苗物流数据整合将确保风险确认后快速调配适宜物资。实现此愿景需LMICs持续推进数字健康议程:建立国家电子健康框架、采纳互操作性标准、投资劳动力能力。国际支持应聚焦可持续数据生态而非短期试点。当前证据基础提示,AI赋能监测应视为使能技术而非传统公共卫生监测的替代品。尽管多项概念验证研究展现良好预测性能,但极少系统在LMICs常规操作条件下接受前瞻性评估。大规模部署前需完成跨流行病学场景的外部验证、本地校准(适配人群特异性疾病模式)、持续性能监测及涵盖透明度、问责制、隐私与算法公平的治理机制建设。近期内AI的最大价值在于通过及时风险优先级排序辅助流行病学决策,同时保留专家人工监督以完成核验与公共卫生响应。
11 局限性
作为结构化叙述性综述,本研究旨在综合当代证据而非提供系统或范围综述预期的穷举证据图谱。首先,非系统评价设计无法提供合并定量估计,结果属说明性而非推断性。其次,检索侧重英文文献,可能低估法语非洲、拉丁美洲与东南亚研究。第三,多数定量数据源自高强度支持的试点项目,外推至常规卫生系统情境受限。第四,发表偏倚可能存在,阳性结果研究更易发表。第五,技术快速迭代可能导致部分引用系统已过时。上述局限强调需开展严谨前瞻性评估。
12 结论
从碎片化数据迈向一体化协作监测的路径在于审慎、公平地利用数字技术。LMICs已通过数字疫苗网络扩张与学界对一体化监测关注升温开启转型,但需协同行动以推广成功经验。强证据支持互操作数字监测平台与电子免疫系统的价值,但AI赋能疫情情报与整合One Health监测目前仅获中等证据支持,凸显了在广泛采纳前开展前瞻性验证、标准化实施及跨多元LMICs场景广泛评估的必要性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号