革新疾病预测：释放 AI 和机械模型的力量

编辑丨toileter

将嵌入机械模型中的先前流行病学知识与 AI 的数据挖掘功能相结合，为流行病学建模提供了变革性的潜力。虽然 AI 与传统机械方法的融合正在迅速发展，但工作仍然分散。

目前，需要更好地纳入现实的决策考虑，扩大对不同数据集的探索，以及进一步研究生物和社会行为机制。解决这些差距将释放 AI 和机制建模的协同潜力，以增强对疾病动态的理解并支持更有效的公共卫生规划和响应。

来自美国耶鲁大学与加拿大约克大学的团队将他们的研究以「Integrating artificial intelligence with mechanistic epidemiological modeling: a scoping review of opportunities and challenges」作为标题，于 2025 年 1 月 10 日发布在《Nature Communications》。

研究选择和特征

团队的检索纳入了 15,460 项研究。

图示：PRISMA 流程图（图源：论文）

这些研究涵盖了不同传染病综合模型的各个应用领域。总体上涵盖了 26 种传染病，大多数集中于 COVID-19，其次为流感。

应用领域被分为六个部分，传染病预测、模型参数化和校准、疾病干预评估和优化、回顾性流行病分析、传播推断与疫情检测。

该团队确定了九个主要的方法框架。其中替代建模/综合训练的 AI 模型占最大比例，其次为 AI 增强的流行病学模型。

图示：方法框架说明性实例。（图源：论文）

近半的研究采用 AI 来学习流行病学模型的未知成分，从而能够将时变成分和不同的数据集纳入疾病建模。其他常见的整合方法包括使用流行病学模型生成的数据训练人工智能技术。

现状讨论

大数据的快速扩展和计算能力的进步极大地拓宽了 AI 技术与机械流行病学建模的集成。在审查的 245 项研究中，近 90% 是在过去四年中发表的，面对不断发展的流行病学情况，集成模型成功地解决了机械模型带来的挑战。

这一成功是通过利用人工智能技术从不同的数据库中提取有价值的信息，有效地学习和转移数据中嵌入的知识，并在已建立的贝叶斯和优化框架中引入方法创新。

虽然大数据在增强这些模型方面具有巨大潜力，但社交媒体内容、搜索查询、医疗报告和卫星图像等非传统监控数据的集成仍然有限。

疾病的传播是一个复杂的流程，受流行病学、生物学和社会行为因素的共同影响。目前的模型主要关注流行病学，忽视了其他影响因素的复杂相互作用。

回顾与总结

人工智能技术和机械流行病学模型可以相互协同增强，利用人工智能方法的优势来学习复杂的投入产出关系，同时结合嵌入机械模型中的先前流行病学知识。

通过跨学科合作应对这些挑战，人类可以释放 AI 的全部潜力，丰富流行病学建模工具包，最终增强理解、预防、缓解和应对传染病爆发的能力。

原文链接：https://www.nature.com/articles/s41467-024-55461-x