传染病长期以来一直威胁人类的生命健康。监测是传染病早发现和预防控制的基础。WHO报道，通过传染病监测与暴发识别系统，全球每个月可识别4 500余起异常信号^[1]。近年来，大数据技术更令传染病监测在理论技术和方法上得到迅速发展，其中以传染病智慧化预警概念的提出最具代表性^[2]。

传染病智慧化预警是通过实现预警数据的多元化、集成化和预警模型的智能化，结合传统监测技术和信息智能化分析技术，提升预警的准确性、敏感性和及时性。2020年新型冠状病毒（新冠病毒）感染疫情暴发后，传染病智慧化监测预警机制和系统的研究与建设提升到了国家公共卫生安全保障和发展层面，有了更明确的工作要求和目标。传染病智慧化预警是一种创新性的以“发现-研判-预警”三位一体为主体的预警体系，其中关键的“发现”环节包括危险因素监测、病例个案监测、症状监测、死因监测和实验室监测等多种类型的监测。症状监测可以在临床诊断或实验室确证前及时发现和识别异常的疾病个案、指示病例或传染病流行水平的快速上升，在智慧化预警中发挥极其重要的作用。例如，可在传染病患者确诊前或大量病例发现前的多个阶段发出预警，从而实现传染病智慧化预警的多点触发、关口前移^[2]。目前，我国已经建成一些全国性的监测预警系统，如基于病例报告的传染病自动预警系统（CIDARS）、全国耐药细菌监测网等^[3-4]，但多数基于病例报告或病原检测。由于技术和成本等的限制，症状监测以局部应用为主，其预警准确性和及时性仍有待提升^[5]。依靠多模态技术（将不同类型的数据，如文本、图像、视频、音频等数据融合的技术）和人工智能的助力，症状监测使用接近实时的医疗或非医疗数据和自动化分析工具，将在传染病智慧化预警体系发挥更大的“发现”作用，也可称为智慧化症状监测。本文旨在回顾、汇总近年来传染病智慧化症状监测的概念提出、研究进展和应用挑战，为传染病智慧化预警体系的发展提供参考，为我国传染病防控提供新思路。

1. 智慧化症状监测的定义：症状监测指系统地、持续地收集、分析临床诊断和确诊前出现的与疾病暴发相关的信息，如患者主诉、药店非处方药销量、学校缺勤率等，以便据此应对可能出现的疾病暴发^[6]。狭义上的症状监测强调非特异性症状，不依赖特定的诊断，是对特定人群（通常是医院就诊患者）临床症候群（如主诉和其他症状体征、病原检测、实验室化验指标、影像学检查、医嘱和死因等）频率、聚集性的监测，即就诊后监测；广义上的症状监测是在上述基础上，包括一些可能与传染病相关的事件，包括医院外的环境（就诊前监测），信息来源多而复杂，可在不同时间段产生信号，如就医前出现症状后，自行在网络检索或去药店购买药品等。智慧化症状监测指在症状监测的基础上，借助新技术，如电子病历处理、多模态技术、大数据、云计算/人工智能技术和设备运算能力增强等，扩展症状监测范围，不仅监测医院就诊患者的大量医疗数据，还囊括未在医院就诊的、海量的非医疗数据，如来自社会、媒体的传染病事件的信息，网络检索、社交平台/自媒体、线下/网络药房购药、学校/企事业单位缺勤、互联网医院在线咨询等，从而达到传染病多点触发、多渠道监测预警，提高实时分析、集中研判能力的目的。

2. 基于医疗数据的智慧化症状监测：医疗数据一直以来是症状监测的重要基础，与非医疗数据相比，其可及性相对较好、及时可靠、灵敏度高、数据完整，可开展综合征或症候群的监测，是很多传染病监测系统的主要数据源，例如我国目前的CIDARS。

医疗数据信息量大，包含门/急诊主诉、诊断、处方、住院、实验室检测、影像学检查、护理、病程记录、死亡报告等多个方面，是对患者特征和转归的全方位描绘。既往记录方式如手写病历等，已无法满足现代医学所产生的海量数据，需通过电子化数据（如电子病历）作为载体；然而，非标准化词汇或诊断（如未统一使用国际疾病分类编码）、拼写/文字错误/方言等问题长期存在，导致丰富的信息难以使用；由于医疗数据相应的系统处理业务不同，采用的技术框架也不同，导致出现医学影像系统、内镜和心电系统等以视频和图像等多媒体储存的非结构化数据，而电子病历、实验室信息管理系统等的数据相对结构化或半结构化，形成了复杂的多源异构局面。因此，基于医疗数据的症候群监测难度很大，将其整理成统一结构化、可分析的数据库，无疑是智慧化症状监测必备的一环。目前有研究提出可基于时间戳的网络服务结合数据仓库技术或基于区块链的医疗联合体内信息共享的解决方案，实现了电子病历共享服务^[7]。无论如何，解决医疗数据不同数据库之间、不同医院之间的“信息孤岛”问题，建立结构化、系统可用的、可以即时更新的数据库平台，是建立智慧化症状监测平台的关键和基础。

症状监测的智慧化需要实验室和影像学的检测快速、及时、便捷和准确，而非受限于传统模式下的设备、检测方式（如培养、测序等）、阅片速度或医师水平。故需借助实验室快检和人工智能，尤其是不依赖大型实验设备和医学、生物信息专业人员的分析工具，如利用聚合酶链式反应变性梯度凝胶电泳技术对新冠病毒和甲型流感病毒的共同快检^[8]。近年来人工智能在医疗领域的融合发展迅速，尤其是在影像医学的诊断治疗等方面已有突破进展^[9-12]。常用的方式是运用目标光学字符识别结合自然语言处理技术，标注、解析影像图片和报告，提取数据构建数据库，进一步利用深度学习和卷积神经网络。但智能诊断的算法仍需不断完善，且需要大量优质数据的积累。同时需要注意，深度学习算法是机器学习的一个热门方向，其使用卷积神经网络进行诊断时，微小参数的改变也会导致结果的截然不同，故仍需人工复核、分析和解释；影像文件用于人工智能算法的训练时，其图像采集参数可能会由于不同生产厂商的仪器软硬件不同而产生相应的变化。这就要求对于图像的标注、算法的训练、流程的设置和测量的方式都需要标准化，同时算法和分析方法实现共享、合理设置外部验证等，即人工智能技术需综合多源医疗数据，起到辅助诊断的作用，并通过无创的优势，简单易行地早发现、早诊断，改变现有诊疗模式，并将初步处理后的重要诊断信息提供给症状监测系统，为智慧化症状监测提供坚实的基础。

3. 基于医院外数据的智慧化症状监测：使用医院内数据存在关口滞后的问题，借助网络化的医院外数据进行入院前监测可将关口前移。由于传统的传染病监测预警系统在多点触发存在局限性，问卷调查、网络上报等亦存在时空局限性，因此智慧化症状监测要求能够对公众情绪情感和传染病相关舆情进行实时感知，从而保障传染病早期预警的实现和提供决策支持。其中，常用方式是通过网络社区（如微博）上的公开舆论信息的数据抓取，进行舆论传播的内容分析，即群智感知网络^[13]，收集用户移动端的数据后再通过云端的异构众包数据以提取隐藏信息。2020年Ji等^[14]通过社交网络平台Twitter，收集传染病相关信息并利用机器学习方法绘制了公众关注的传染病与公共健康地图；Broniatowski等^[15]建立了一套流感鉴别算法，从社交媒体的“噪声”中识别相对精确的流感实时信息，并通过Twitter尝试在流感季进行监测；另外也有通过Facebook和Twitter等平台监测登革热、流感、寨卡病毒等暴发或流行情况的研究^[16]。新冠病毒感染疫情以来，国内相关研究也在增加，如利用各级卫生健康委员会官方网站和百度指数平台对疫情和网络舆情进行分析^[17]或微博关键词分析^[18]等。

智慧化症状监测要充分利用医院外的、与传染病症状可能相关的地理、人口数据，还需要借助同样利用众包数据的参与式流行病学方法。该方法以健康地图为代表^[19]，可免费自定义创建健康地图、设置警报、提交突发事件和其他实时消息，在追踪流感和其他传染病时发挥了重要作用^[20-21]。健康地图网站也存在以个人实时报告自身症状的形式，用来监测身边流感或新冠病毒感染暴发的应用，称为“身边的暴发”^[22]。澳大利亚的“流感追踪”同样提供在线调查流感样病例的接口，实时报告如发热、咳嗽、缺勤等信息，并常年更新汇总报告^[23-25]。类似的还有澳大利亚的ASPREN监测系统^[26]和Momentive.ai大规模实时在线调查平台^[27]。此外，在2008年，Google公司就推出了通过大数据估测流感疫情的Google流感趋势^[28]，即利用Google搜索日志进行流感监测的方法，但数年后，Google流感趋势由于预测偏离实际已停止更新。与Google流感趋势类似，国内也有基于特定关键词及百度指数与流感病毒活动的相关性分析^[29]。

药物销售记录和学校缺勤情况也是智慧化症状监测的另一重要数据来源。既往研究显示，药物销售量监测相对于哨点监测和网络直报更敏感，可将流感样病例暴发时间最多可提前至15 d，同时可对疾病动态变化进行客观描述^[30-31]。利用学生因病缺课的疾病症候群监测也可监测流感样症状^[32]。除此之外，利用人口流动大数据和POIs数据，观察某一个特定类型地点（如药店）的人口流动量数据，也可以预测是否有疫情出现，例如Google公司基于Google地图发布的新冠病毒感染社区流动报告，报告以国家为单位，展示了包括零售与休闲、杂货与药房、公园、交通中转站、工作单位以及住宅6类场所居民访问次数和停留时间的变化情况，可用于预测和对比^[33-34]。

总之，医院外数据可能来源于舆情、搜索、健康地图、售药和缺勤数据等，随着技术的进步，必然有更多的途径可获得和分析相关数据，成为智慧化症状监测的有力补充，但是同时必须认识到其中仍存在的问题：①由于通过众包和群智感知网络进行症状监测需要大量收集用户数据，不可避免会带来用户个人隐私信息泄露的问题，如可通过全球定位系统定位信息推断居住地、工作场所等，因此需要发展相应的隐私保护机制，如去隐私化、安全多方计算（去中心化和数据加密等）、基于虚拟位置的隐私保护等^[35]。②基于百度指数或Google等搜索引擎的监测，易受到服务商商业目的和用户检索行为的影响^[36]，而后者易受到网络流量和搜索引擎自动提供的关键词诱导，以及“相关搜索”的算法中也可能产生误匹配。这些都需要研究者通过跨领域间的机构合作，了解其背后的算法可能产生的数据偏倚。③药物销售量监测和缺勤监测由于其非特异性，无法与相关疾病联系在一起，结果解释的合理性也相对有限，仍待进一步解决。此外，两种检测都缺乏可集成的、通用的数据库和即时上传的接口，可合作的售药机构和记录缺勤的单位覆盖率有限，集中在一些经济发展较好、合作意愿较强的区域，而对于社会经济相对落后的区域覆盖率可能较低，而后者更容易发生某些疾病的暴发。④上述监测手段之间均缺乏统一可追踪的唯一识别码，而以身份信息作为识别的数据面临个人隐私泄露和侵害的伦理学问题。因此，这些监测方法可能仅适用于其所能覆盖到的人群，该人群的代表性必然影响到监测的效果，最终实际可利用的信息可能与期望的信息相差较大，在一定程度上也可能增加区分信号和噪声的时间成本，故如何进一步集成到智慧化预警系统中有待探索。

4. 智慧化症状监测面临的挑战与应对建议：无论是否实现智慧化，症状监测的目的均是为了加强传统传染病监测，而非取而代之。传统的症状监测往往适用于大规模暴发的情境下，小规模暴发则难以侦测^[37]。如若提高预警的敏感度，则会导致假阳性的增加，大幅增加了监测人员判别的工作量。智慧化症状监测借助多途径来源的信息，信息量会以信息爆炸的形式大幅增加，且信息源不稳定、数据质量不高均可能对监测结果起反作用，此时作为智慧化症状监测重要基础的大数据俨然成为了“双刃剑”。因此，持续从中筛选出有价值的监测内容是该监测形式赖以维系的关键。在目前的形势下，依靠人员或通过单一主体进行监测判别困难大，尤其是在考虑到智慧化症状监测要适用于大规模疾病暴发，同时兼顾多种类型小规模疾病暴发。因此，需要在国家层面建立数据共享平台，明确多种相关主体在共享平台中的角色和定位，利用新型技术，如云计算、物联网，建议国际和国内的卫生主管部门和医疗机构、研究机构、技术公司之间加强合作^[38-39]，进一步优化人力资源结构和投入形式，在不增加工作量的基础上，获取最有效的信息，并对其进行正确和及时地处理和分析，其中最重要的是发现恰当的方式对其进行解释，以向相关机构提供有效的干预建议，最终付诸行动，并在行动中对监测系统的效果进行检验和反馈修正。

智慧化症状监测的另一个重要考虑是成本-效益问题。既往研究指出传统症状监测的年运行费用可达数十万美元，但该费用相对整个监测系统而言，比例相对较小，同时产出的信息非常重要，因此可以接受^[40]。智慧化症状监测的情境下，数据收集的形式已发生巨大变革，因此费用更多地来自于沟通协调、系统开发、软件开发推广、模型建设、专利购买和运营费用（包括部分人力支出）。要建设并维系该体系的可持续运营，建立整合数据报告和分析系统，必然需要大量的资金投入和技术人员的培训和聘用，而该体系的核心机构，如卫生行政部门或疾病预防控制局，需评估该体系所能产生的效益（包括社会-经济效益），作为持续性资金投入的重要参考标准和制定合理共享机制的依据。

此外是数据共享、数据安全和隐私问题。围绕数据共享将产生不可避免的法律问题，即明确不同的数据集如何组合、合理利用和分发机制，可能会成为一项巨大的挑战，故制定明确的法律标准非常重要^[27]。基于网络数据的数据安全隐私泄露问题和相应的保护机制尚待完善，尤其是在医疗相关数据中，如医疗健康类应用程序违法违规收集个人信息，过度索权、超范围收集、非法向第三方转移数据、过度推送医疗广告，甚至医疗机构遭受勒索病毒袭击^[41]，敏感信息泄露，或将产生严重的法律后果。伦理的风险也同样存在，需要在智慧化症状监测的背景下着重考虑。

最后需要考虑的是症状监测的特异性问题。监测数据收集后，需要建立合理的研判机制，即通过模型分析方法发现和识别传染病发生或发展趋势，超出或将要超出期望常态水平的聚集性异常信号，或专业机构和专家判断发现罕见病原、新病原等异常情况。研判的过程需要通过包括模型建立、专家研判等方式进行综合处理，以期对监测的信息合理、有效地利用。

综上所述，智慧化症状监测是传统症状监测在新技术的发展下，逐步迈向传染病智慧化预警多点触发和多渠道预警体系的必然路径。然而，须正视发展过程中的挑战，并通过推动国家层面的顶层设计来沟通协调相关部门，快速出台、完善相关法律法规，统筹规划和合理布局，适时引导智慧化症状监测相关科技研发的方向，避免粗放式、单一化发展，为我国乃至世界的智慧化传染病防控打下坚实基础。

利益冲突  所有作者声明无利益冲突

作者贡献声明  范国辉：研究设计、文献检索、论文撰写；张婷、赖圣杰、冯录召：论文修改；杨维中：研究设计、论文修改、经费支持