摘要：编辑丨toileter将嵌入机械模型中的先前流行病学知识与 AI 的..." />

编辑丨toileter

将嵌入机械模型中的先前流行病学姿势和 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 和传统机械方式的融合正在迅速进步，但职业仍然分散。

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

来自耶鲁大学（Yale University）、约克大学（York University）的研究团队公开了论文「Integrating artificial intelligence with mechanistic epidemiological modeling: a scoping review of opportunities and challenges」，于 2025 年 1 月 10 日刊登在《Nature Communications》。

论文地址：https://www.nature.com/articles/s41467-024-55461-x

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、回顾性流行病解析、传播推断和疫情检测。

该团队确定了九个主要的方式框架。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：方式框架说明性实例。（图源：论文）

近半的研究采用 AI 来进修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。其他常见的整合方式包括运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提高极大地拓宽了 AI 技术和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，面对不断进步的流行病学情况，集成模型成功地化解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格的信息，有效地进修和转移数据中嵌入的姿势，并在已建立的贝叶斯和优化框架中引入方式创造。

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。

疾病的传播一个复杂的流程，受流行病学、生物学和社会行为影响的共同影响。目前的模型主要关注流行病学，忽视了其他影响影响的复杂相互影响。

回顾和拓展资料

人工智能技术和机械流行病学模型可以相互协同增强，利用人工智能方式的优势来进修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姿势。

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，丰盛流行病学建模工具包，最终增强领会、预防、缓解和应对传染病爆发的能力。