传染病多点触发智慧化监测预警系统关键技术专家共识

中国医学科学院北京协和医学院群医学及公共卫生学院 北京大学公共卫生学院 中国疾病预防控制中心传染病管理处 四川大学华西公共卫生学院 中国科学院地理科学与资源研究所 首都医科大学附属北京地坛医院 中华医学会公共卫生分会
School of Population Medicine and Public Health, Chinese Academy of Medical Sciences and Peking Union Medical College School of Public Health, Peking University Department of Management on Infectious Diseases, Chinese Center for Disease Control and Prevention West China School of Public Health, Sichuan University Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences Beijing Ditan Hospital, Capital Medical University Society of Public Health, Chinese Medical Association
杨维中，中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心，北京100730，Email：yangweizhong@cams.cn 刘珏，北京大学公共卫生学院，北京 100191，Email：jueliu@bjmu.edu.cn 李中杰，中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心，北京 100730，Email：lizhongjie@sph.pumc.edu.cn Yang Weizhong, School of Population Medicine and Public Health, Chinese Academy of Medical Sciences and Peking Union Medical College Public Health Emergency Management Innovation Center, Beijing 100730, China, Email: yangweizhong@cams.cn Liu Jue, School of Public Health, Peking University, Beijing 100191, China, Email: jueliu@bjmu.edu.cn Li Zhongjie, School of Population Medicine and Public Health, Chinese Academy of Medical Sciences and Peking Union Medical College Public Health Emergency Management Innovation Center, Beijing 100730, China, Email: lizhongjie@sph.pumc.edu.cn

国际实践指南注册与透明化平台（PREPARE-2024CN860）

Practice Guideline Registration for Transparency Platform (PREPARE-2024CN860)

传染病损害人群健康和生命安全，影响社会经济和谐稳定发展，危害国家公共安全，是人类持续面临的威胁。科学高效的传染病监测预警系统是公共卫生安全体系的重要组成部分，对预防与控制传染病暴发流行至关重要。中国2008年建立的国家传染病自动预警系统，在我国传染病防控中发挥了重要作用。然而，在处置新型冠状病毒感染疫情中也暴露出现行监测预警系统存在信息散、感知慢、决策难等问题，特别是预警关口滞后、数据来源单一和预警技术薄弱等方面的不足，提升监测预警能力是当前疾病预防控制事业高质量发展的当务之急。为更好解决该重大科学问题，同时践行“以人民健康为核心”和“基于全生命周期的健康监测”等理念，2024年4—6月，中国医学科学院北京协和医学院群医学及公共卫生学院会同北京大学公共卫生学院、中国疾病预防控制中心传染病管理处、四川大学华西公共卫生学院、中国科学院地理科学与资源研究所、首都医科大学附属北京地坛医院、中华医学会公共卫生分会等，组织多学科领域专家研讨，形成了本专家共识，旨在为传染病多点触发智慧化监测预警系统的规范化建设及应用提供指导。

 第一部分 共识制订方法

本共识由中国医学科学院北京协和医学院群医学及公共卫生学院发起，联合北京大学公共卫生学院、中国疾病预防控制中心、四川大学华西公共卫生学院、中国科学院地理科学与资源研究所、首都医科大学附属北京地坛医院、中华医学会公共卫生分会等多单位机构共同制订。共识已在国际实践指南注册平台（practice guideline registration for transparency，PREPARE，http：//www.guidelines-registry.org）通过注册。共识起草过程遵循国际通用的共识制订流程。

1. 共识使用者：传染病多点触发智慧化监测预警系统关键技术研发与应用的医疗工作者、疾病预防控制人员、公共事务管理者及研究者。

2. 共识工作组：由公共卫生与预防医学、临床医学、管理学、数据科学、计算机科学、指南方法学等多学科、不同地域的国内外专家共同组成，分别成立共识制订专家组、共识审阅专家组和秘书组，具体名单见文后。

3. 文献检索及共识形成过程：由共识制订秘书组检索纳入来自国内外的相关原始研究、系统评价、文献分析、指南、共识等证据，检索PubMed、Web of Science、知网等中英文数据库，以及国内外机构发布的传染病监测预警相关文件，检索时间为建库至2024年5月31日，检索不限定发表语言。共识制订专家组基于检索结果，从传染病多点触发智慧化监测预警系统的相关概念和定义，关键技术框架，多渠道预警数据来源、获取与治理，预警方法分类，多点触发智慧化监测预警关键流程及路径，多点触发预警及综合研判，预警信号响应以及预警效果评价等方面，撰写共识初稿。共识制订专家组召开8轮会议，对共识初稿文件进行了深入讨论、审阅与修改，以完善共识内容。再经由共识审阅专家组进行审阅与修订，提出具体修订意见，并由共识制订专家组再次商议讨论，最后形成传染病多点触发智慧化监测预警系统关键技术专家共识终稿。

4. 专家推荐程度：专家推荐程度以“共识度”体现，来评价对每条共识意见的共识程度。由共识制订专家组及共识审阅专家组成员（共38人）对每一条共识推荐内容进行评分。评分采用李克特量表，满分为5分，最低分为1分，5分表示非常同意，4分表示同意，3分表示中立，2分表示不同意，1分表示非常不同意。针对单条共识推荐意见，计算评分为5分的专家比例，以评分为5分的专家数量占全部专家数量的比例超过80%为评价该条共识意见达成共识的标准。共识度=评分为5分的专家/总参评专家人数×100%。

5. 利益冲突的声明：本共识制订过程中，所有参与本共识专家研讨会的专家和共识工作组成员均已签署书面利益声明，不存在共识相关的利益冲突。

6. 共识的发布、传播与更新：为了促进共识的传播和医学应用，共识将在专业期刊上发表，发表后将以学术会议、学习班等形式在全国范围进行传播。共识制订工作组将定期进行文献检索、证据更新和评价，计划每3~5年对共识进行更新。

 第二部分 相关概念定义

1. 多渠道监测（multi-channel surveillance）：是指通过建立监测系统和多源数据共享机制，从疾病预防控制、卫生健康、海关、交通运输、市场监管、农业农村、林业草原、气象、生态环境、教育、民政、移民、媒体等多部门和多种途径，收集整理和分析传染病发生风险或异常“苗头”相关的监测数据，为传染病早期预警提供基础。多渠道监测不仅发挥传染病早发现早预警的作用，还能起到不同数据源早期预警结果间相互补充、相互印证、减少预警失误，提高准确性的作用［1, 2］。

2. 多点触发智慧化监测预警（multi-point trigger intelligent surveillance and early warning）：是指基于多渠道监测的智能化传染病预警技术，利用多渠道监测采集的传染病发生风险或异常“苗头”的相关数据，采用大数据、物联网、人工智能等数据处理与建模技术，综合研判分析结果，在传染病可能发生、发生早期、发展变化的多个关键节点，自动化、智能化发出预警信号。多点触发智慧化监测预警可以提高预警的灵敏度、准确性和及时性，减少人为干扰和工作失察［3, 4］。

3. 多源异构数据（multi-source heterogeneous data）：是指来自不同源头且具有不同结构和格式的数据集合。传染病监测预警多源异构数据通常包括但不限于以下几种类型：结构化数据，如电子病历、实验室检测结果和官方通报数据；半结构化数据，如社交媒体信息、新闻报道和网页内容；非结构化数据，如影像数据、文本数据和音频数据［5, 6］。

4. 规则驱动预警（rule-based early warning approach）：是指通过先验知识和规则制定，以实现对传染病暴发和传播的预警。这种预警方法的核心在于利用已有的知识和经验，对未来疫情趋势做出科学的推断［7, 8］。

5. 模型驱动预警（model-driven early warning approach）：是指利用统计学方法、机器学习算法和社会物理学模型等技术，从大量历史和实时传染病监测数据中自动学习和提取、识别传染病流行的异常情况，以实现对传染病暴发和传播的预警［9］。

6. 灵敏度（sensitivity）：又称为真阳性率，是指预警系统识别出的暴发流行事件占实际暴发流行事件的比例。它反映了预警系统发现暴发流行事件的能力［10］。

7. 特异度（specificity）：又称为真阴性率，是指预警系统判断的非暴发流行事件占实际非暴发流行事件的比例。它反映了预警系统确定非暴发流行事件的能力。

8. 及时性（timeliness）：以系统发出预警信号的最早时间点与暴发事件或流行起点之间的时间差来表示。

9. 准确性（accuracy）：是指预警算法或预警系统发出的正确信号占所有信号的比例，用来反映系统正确识别出异常“苗头”的能力。

10. 流行波动（epidemic activity）：是指传染病流行水平在一定时间内发生的周期性或非周期性的变化。

11. 异常聚集（aberrant clustering）：是指在特定时间、空间和人群等维度，某种（类）传染病、未知传染病或症候群的病例数显著增加，超过预期水平的情况［11, 12］。

12. 预警界值（early warning threshold）：是指用于判断某种（类）传染病、不明原因传染病或症候群的病例数（或比例、率、趋势）是否超过一定水平的预设参考值，当观测值超过该界值时就会产生预警信号。

13. 单病例预警（single-case alert）：是指在特定传染病的监测过程中，当发现一个病例时即刻触发预警机制。这种预警机制通常用于高病死率、传染性强、新发传染病以及需要快速处理的传染病监测和预警，从而迅速采取控制措施［13］。

14. 固定值预警（fixed-value alert）：是指通过设置一个预定的常数界值，当监测到的数据或参数超过该界值时，系统自动触发预警信号［14］。

15. 流行强度（epidemic intensity）：是指在特定时间段内，传染病在特定人群中的发病或感染水平的高低。流行强度可以通过多种指标来衡量，如每周新增病例数、每周特定病原检测阳性率等［15］。

16. 流行起始（epidemic onset）：是指通过分析长期监测的数据，识别、推断出传染病从散发状态向流行状态转变的时间点。

17. 预警信号（early warning signals）：是指预警系统根据设置的规则或算法，在观测值超过预警界值时自动发出的警示信息。

18. 风险预警（risk warning）：是指根据相关风险因素监测分析结果，对特定传染病在特定区域或人群中发生的可能性进行预警。风险因素包括气象、动物疫情、媒介生物、人群移动、免疫状况、病原体变化等。

19. “苗头”预警（aberration warning）：是指根据对已有监测数据的分析结果，在传染病局部暴发或流行早期对异常增加进行的预警。

20. 综合研判（comprehensive assessment）：是指与传染病相关的多个领域专家结合多种来源的数据和多点触发的预警信号，采用多种分析方法，对传染病发生传播的风险和异常“苗头”进行全面的分析，研判得出传染病发生传播的风险大小和早期预警的级别，并在此基础上提出对疫情发展趋势、对社会经济影响的预判以及防控策略和措施的建议［16］。

 第三部分 技术框架

基于风险预警和“苗头”预警的不同场景，实时或定时自动推送或抓取医疗卫生机构及非医疗卫生机构等多源多模态数据并经传染病多点触发智慧化预警系统整理和标准化处理。按照多点触发智慧化预警规则及路径，采用规则驱动模型、数据驱动模型和混合模型等适宜的模型，对预警指标进行自动比对和分析。当系统发出提示传染病发生风险或提示传染病异常“苗头”信号时，进行初步核实。根据初步核实结果，或继续关注，或进行综合研判。综合研判确认有传染病发生风险，则提出风险应对建议；确认有传染病异常“苗头”，则提出处置的建议（图1）。

10.3760/cma.j.cn112137-20240612-01317.F001 传染病多点触发智慧化预警系统关键技术路线框架图

注：ICU为重症监护病房；SIS为易感-感染-易感；SIR为易感-感染-恢复

共识1：全国各地都在加快推进传染病多点触发智慧化监测预警系统的开发和建设，尽管各地的建设目标和建设步伐不尽相同，但都应先做好顶层设计，制定清晰的技术路线。（共识度92%）

 第四部分 多渠道监测预警数据来源、获取与治理

传统的传染病监测很难及时发现新发传染病，远远不能有效应对日益复杂的传染病威胁。WHO开发了一种监测新兴威胁的新模型，称为“大流行和流行病情报”，该模型建立在一系列传统方法［17］和非传统方法［18］的基础上，扩展大流行和流行病情报收集的方法以及规模，以更好地预测和应对未来的威胁。WHO建议在传统监测的基础上，需要补充的多渠道监测数据包括：非结构化的互联网文本信息、其他部门的数据、遥感和移动电话数据、可穿戴设备和物联网数据等［19］。

一、数据来源

用于预警系统分析比对的数据数量和质量会对预警效果产生直接影响。多种数据来源是传染病多点触发智慧化监测预警的基础。

传染病三角模型概括了传染病传播的三大要素，即宿主、病原和环境［20］。与这三大要素相关的数据是传染病早期预警最主要的数据来源。与宿主相关的信息主要包括人口密度、人群的免疫状态（如疫苗接种率）、年龄构成、性别比例、社会行动、就诊行为、遗传特征等情况；与病原相关的信息主要包括病原体的种类、传播力、毒力、外环境存活能力、变异变迁情况和传播方式，以及虫、禽、鼠、蚊媒等病媒生物携带和传播病原体情况，病原体耐药性等情况；与环境相关的信息包括气候、温度、湿度、降雨量、地形地貌、生态系统、地理特征、重特大自然灾害、微生物污染等自然环境信息，和卫生条件、医疗水平、交通状况、社会经济条件、人口密度和流动性、干预措施、个人防护等社会环境等情况。此外，随着现代社会大数据发展、信息化普及，网络信息数据逐渐成为具有监测预警价值的现代数据源。

可以根据传染病发生潜在的风险阶段、人群就医前阶段和就医后阶段，将多来源、多环节的数据源分为风险因素数据、非医疗卫生机构数据和医疗卫生机构数据。

（一）风险因素数据

传染病暴发流行发生之前监测和分析疾病的一些影响因素，有利于评估疾病发生的风险和及早预警。风险因素包括地理位置、气象、病媒生物、病原及其变异、动物疫情、病原体溢出、预防接种不足、人群流动、疾病从外部输入、饮食饮水卫生等。如监测本地分析气象因素、蚊媒密度、输出国疫情和口岸进出人员数量，有利于提前预警登革热发生的风险。

 （二）非医疗卫生机构数据

感染后，出现症状的感染者就医前可能会缺勤缺课，去药店购药，也可能通过网络进行疾病咨询、购药、寻求检测。就医前自我处理的行为数据早于医疗卫生机构传统的监测数据，为预警系统补充了更早的、更多的数据来源。

 （三）医疗卫生机构数据

患者去医院就诊，接受医师的问诊和各种检查，医师做出诊断和实施治疗。病历中的主诉、诊断、各种检查结果（如病原检测、影像检查和体征检测）、处方中的药物以及发热门诊就诊情况等门诊数据，住院诊断、门诊转住院、重症监护病房（ICU）使用和药物使用等住院数据都是传染病预警数据的重要来源（图2）。

10.3760/cma.j.cn112137-20240612-01317.F002 基于疾病感染时间轴的传染病监测预警多渠道数据来源 二、数据获取方式

对于疾病预防控制、卫生健康、海关、交通运输、市场监管、农业农村、林业草原、气象、生态环境、教育、民政、移民、媒体等不同渠道的数据，获取方法可以有主动抓取或推送。网络舆情、医师论坛、人口迁移信息、人口学等数据多为抓取；医疗卫生机构的数据，如影像学、实验室结果、门急诊、死亡等数据，由于各个医疗卫生机构信息系统的差异，可基于插件的方式推送。需要注意的是，数据获取方式不是一成不变的，应该根据实际情况和技术发展进行调整和优化。

在准备建立“智慧化城市”的地区，应将传染病多点触发智慧化监测预警系统作为“智慧化城市”的一个模块统筹设计在“智慧化城市”管理平台之中，这样既保证了传染病多点触发智慧化监测预警系统能够实时自动获取疾病预防控制、卫生健康、海关、交通运输、市场监管、农业农村、林业草原、气象、生态环境、教育、民政、移民、媒体等多源数据，又保障了预警信号能及时发送给需要通报的相关部门，同时也为传染病多点触发智慧化监测预警系统的算力和数据安全提供有力支撑。已经建立了“智慧化城市”的地区，应将传染病多点触发智慧化监测预警系统嵌入“智慧化城市”管理平台。

 三、数据治理与数据安全

数据治理包括制定数据政策、定义数据标准、建立数据质量控制机制、确保数据隐私和安全，以及建立数据共享分配机制、确定数据管理职责和权限。数据治理是释放数据要素价值的基础和前提，也是数据要素资源优质供给的核心保障。近年来，伴随着大数据技术和数字经济的不断发展，在传染病监测预警系统中，数据治理越来越重要，尤其是当涉及到多源数据和多模态数据时。多源数据来自不同渠道，如医院数据、网络舆情、气象数据等，而多模态数据则包括文本、图像、音频等不同形式的数据。

数据标准化是数据治理的重要组成部分，通过统一的数据采集、处理、存储和共享标准，确保不同来源数据的兼容性和可比性。多模态数据包括计量资料、自然语义信息和图形信息等，通过标准化处理，使信息更易于共享和比较，分析结果更具有普遍解释性，有助于各部门在疫情分析中达成共识，协同应对传染病。为了维护数据质量，需建立全流程质量控制机制，从数据源头到使用环节实行管控。采用自动化工具、机器学习算法以及关键数据的人工质控实现数据清洗、校验、异常值检测和处理等综合质量保障，确保数据的准确性和完整性，提升数据质量管理的效率和效果。

数据整合、数据融合和数据冗余处理是多源数据治理的核心。整合数据源时，可通过数据仓库和数据湖技术将不同来源的数据集中存储。数据融合阶段，通过跨源数据融合技术将异构数据结合，构建出更全面和一致的信息视图。处理数据冗余和不一致性问题时，应用去重算法和冲突检测机制识别并删除重复数据。同时，通过数据校正等策略解决源数据冲突，利用数据版本控制和追踪技术记录数据变化，确保数据可溯源、可解释，从而提升预警系统的效能。

数据的高效存取是系统的关键基础。对于存储硬件，分布式存储系统适用于海量数据的存储和处理，具有高扩展性和容错能力，而高性能计算集群在计算密集型任务中表现优异。针对数据存储的安全性和可靠性，需要考虑数据加密、权限控制以及灾难备援方案等，确保数据的安全传输、存储和快速恢复。在软件条件方面，数据管理和分析软件的选择至关重要，需要具备高效的数据查询和处理能力，并支持大数据分析和机器学习等功能。同时，软件系统的稳定性、灵活性和可维护性也是重要考虑因素。

同时，需保障数据安全和保护个人隐私，提高系统的可靠性和信任度。首先，对敏感数据进行加密处理，确保数据在传输和存储过程中的安全性。其次，利用可靠的技术手段和数据访问机制，严格遵守隐私保护法律法规，保障个人隐私数据的安全。同时，需要平衡数据共享与隐私保护，制定明确的数据共享和使用策略，对共享对象实施严格的审查和授权。此外，还需定期备份数据，建立健全数据备份和恢复机制，保证数据无缺失和持续可用。

共识2：医疗卫生机构监测数据仍然是传染病监测预警系统中重要的数据来源。同时应结合疾病的特征，补充风险因素数据和非医疗卫生机构数据，以更早地发现疾病传播风险和“苗头”。（共识度92%）

共识3：尽可能将传染病多点触发智慧化预警系统镶嵌入当地“智慧化城市”，以方便获得多渠道监测数据，提高预警的敏感性和及时性。（共识度100%）

 第五部分 预警方法分类

传染病预警模型是指基于统计学、流行病学、计算机科学、信息科学等学科的理论和方法，结合传染病的流行特征及其相关监测数据，通过分析和预测传染病的发生、发展和流行趋势，从而实现智能化判别传染病已出现的异常“苗头”或潜在流行风险并自动发出预警信号的系列技术和方法。从信息处理和决策方式的角度，传染病预警模型可分为规则驱动模型、数据驱动模型和混合模型［21, 22］。

一、规则驱动预警模型

规则驱动预警模型是一类基于先验知识和预定义规则对传染病监测数据进行分析以识别潜在流行风险或异常情况的模型［7, 8，23］。规则驱动预警模型往往依赖于专家知识和历史经验来定义一系列明确的规则或标准。当传染病监测数据满足这些预设规则时，预警信号便自动产生。规则驱动预警模型可细分为专家经验判断和先验规则制定等方法。常见的专家经验判断方法如德尔菲法、层次分析法等［24］，先验规则制定有超过历史基线、划定阈值等预警方法［25］。规则驱动预警模型通常较为简单、直观，易于理解和解释；在模式较为固定、需要快速响应的场景中预警效果较好，但可能在面对复杂多变的情况时，泛化能力较弱，难以适应快速变化的环境。

 二、数据驱动预警模型

数据驱动预警模型是一种利用传统统计学方法、机器学习算法和社会物理学模型等技术，从大量历史和实时传染病监测数据中自动学习和提取、识别传染病流行的异常情况并提供预警的模型［26］。常见的数据驱动预警模型有基于经典统计模型、机器学习算法或群体动力学模型的预警模型等［27, 28, 29, 30］。其中，经典统计模型常用的预警方法有单因素或多因素的半参数回归、逻辑回归、空间扫描统计量和时空贝叶斯方法等；在机器学习算法方面，支持向量机（SVM）、梯度增强决策树（GBDT）和神经网络（NN）等模型被广泛应用于预警分析；群体动力学模型包括易感-感染-易感（SIS）和易感-感染-恢复（SIR）等模型，常用于模拟和预测传染病的传播动态。数据驱动预警模型不依赖于预定义的规则，而是通过对数据的深度挖掘和分析来发现可能的异常和潜在风险。这种模型在处理复杂、动态和非线性数据关系时表现出色，能够自适应多变的预警场景。但这种模型需要大量地标注数据进行训练，对计算资源和数据处理能力要求较高，对数据质量依赖性强。

 三、混合预警模型

混合预警模型是一种将多种预警建模方法结合起来的模型，以充分利用各种方法的优点，由此来提供更为全面、准确和灵活的预警。譬如中国传染病自动预警与响应系统就是将移动百位数时间预警模型和空间扫描统计量模型集成为时空聚集性探测预警技术［31］。混合预警模型虽然兼具了各种方法的优点，但是构建和维护的复杂性较高。

选择合适的预警模型首先要明确预警目标和应用场景，再根据疾病特征以及数据来源、形式、类型和质量，在国家标准《地理信息空间抽样与统计推断》（GB/Z33451-2016）空间统计三位一体理论等预警模型选择的理论框架下，用历史数据测试各种预警模型不同性能，比较其灵敏度、特异度和及时性等指标，在科学性、先进性和稳健性的原则下选择出适宜的预警模型。预警模型选定之后，还需定期评估预警模型效果，及时优化和改进预警模型。

共识4：应根据疾病特征、数据类型、预警规则和预警目的要求选择适宜的模型。（共识度97%）

共识5：能用简单模型实现预警目标的不同复杂模型。（共识度84%）

 第六部分 多点触发智慧化监测预警关键流程及路径 一、多点触发智慧化监测预警关键流程

实现多点触发智慧化监测预警关键流程（图3）包括：确定关键指标、选择预警算法和模型、设定预警界值和触发条件、定义预警级别、确定预警信号的响应方式和程序。

10.3760/cma.j.cn112137-20240612-01317.F003 多点触发智慧化监测预警关键流程示意图 （一）确定关键指标

1. 传染病风险预警指标：气象、病媒生物、检出新病原或发现已有病原变异、动物疫情、病原体溢出、人群免疫水平、大规模人口流动、境外疾病输入、饮食饮水卫生等可测量的传染病风险指标。

2. 传染病“苗头”预警指标：网络搜索、社交媒体咨询、自行购药、自行检测、因病缺勤缺课等就医前自我处理的有关指标；特定诊室（如发热门诊）就诊人次数、患者主诉、初步诊断、现病史，临床检查结果（如血液检查、病原检测、影像检查和体征检测）、处方中特定药物使用等指标；住院诊断、门诊转住院比例、ICU使用率、死亡、相关药物使用等指标。

 （二）选择预警算法和模型

根据数据特点和预警目标的不同，选用合适的规则驱动预警模型、数据驱动预警模型或混合预警模型。

 （三）设定预警界值

根据传染病历史数据、国家传染病防控与应急管理相关法律法规、行业标准或业务需求，为每个关键指标设定合理的预警界值。这些界值可以是固定的，如发现1例甲类传染病或已消除传染病或输入的烈性传染病，也可以是应实际需求可调的，如已知的常见传染病可根据当地历史水平调整预警界值。

 （四）确定预警触发条件

根据传染病防控工作要求的及时性、敏感性和特异性，划定预警指标超过预警阈值的数量、次数和超过阈值持续时间以确定预警的触发条件，符合触发条件则产生预警信号。

 （五）定义预警信号级别

根据风险指标反映出的严重性和可能性，将风险预警信号级别定为低级、中级和高级三级。根据“苗头”预警指标反映出的严重性和紧迫性，也可将“苗头”预警信号分为蓝色、橙色和红色预警三个级别。按不同级别的预警信号提出的响应建议有所不同。

 （六）确定预警信号接收人和通知方式

需要指定接收预警通知的人员或团队，并确定通知方式，如电子邮件、短信、微信、内部通知等。

 （七）制定响应程序

针对不同类型和级别的预警信号，制定清晰简明的响应流程和责任人。确保在接收到预警后能够迅速采取行动，及时处置。

需要定期回顾和分析预警系统的运行效率，包括系统安全性、稳定性、可扩展性和灵活性等指标，根据实际情况适时调整阈值、触发条件和响应程序。

 二、多点触发智慧化监测预警路径

根据不同的预警目标，可将预警路径分为针对风险的预警（风险预警）和针对“苗头”的预警。

（一）风险预警

即使本地尚未发生某种传染病，但与这种传染病发生有关的某些风险因素（气象、病媒生物、新病原、病原变异、动物疫情、病原体溢出、预防接种、人群流动、外部输入、饮食饮水卫生等）发生显著变化，以专家会商法、德尔菲法等方法为基础，对这种传染病发生的风险进行评估，构建风险矩阵，若风险已达到一定级别，可以发出传染病风险预警信号。根据综合研判结果，做出继续关注的建议或发布风险预警信号以及提出采取控制措施的建议。

 （二）“苗头”预警

对于某种（类）传染病或症候群出现流行或暴发“苗头”的情形，主要可通过以下几个路径预警：

1. 流行起始预警：“流行起始预警”是指通过分析长期监测的数据（如发热门诊就诊人次数、特定药品销量、特定关键词网络搜索量等），识别、推断出传染病从散发状态向流行状态转变的早期迹象，并发出预警信号。这种预警的目的是尽早发现传染病流行的开始阶段，从而能够迅速采取干预措施，控制传染病的进一步传播。

在某一传染病进入流行期时，监测数据或推断传染病表现为上升趋势，根据当地对预警敏感性和特异性的需求，确定其不同水平的阈值［如历史水平的第40百分位数（P40）、P50、P60、P70等］作为预警界值。通过比对监测数据是否超过预警界值来判断是否预警流行起始。

以某传染病病原阳性率为例（图4），以历史基线数据的P50作为基线阈值，且满足上升规则中的某一预警条件时发出流行起始预警信号。值得注意的是，对于发热门诊就诊人次数、缺勤数等有明显的周末效应的观察数据，可通过7日移动平均数等方法消除周末效应。

10.3760/cma.j.cn112137-20240612-01317.F004 某地区某传染病病原阳性率流行起始预警示意图

2. 流行强度预警：在传染病流行期，需要关注流行强度的变化，及时做出预警。可以当地历史若干年（近3年或5年）同期数据的计算不同水平（例如P50、P70、P85、P95）的阈值作为预警界值，若当前观测值（近7日移动平均值）超过不同预警阈值，系统发出不同流行强度的预警信号（图5）。

10.3760/cma.j.cn112137-20240612-01317.F005 传染病流行强度分级预警示意图

例如：流行强度按P70、P85、P95作为预警界值的划分规则如下：

极高流行水平：当前观测值（近7日移动平均值）超过P95及以上，Px（X）≥P95

高流行水平：当前观测值（近7日移动平均值）介于P85~P95，P85≤Px（X）<P95

中流行水平：当前观测值（近7日移动平均值）介于P70~P85，P70≤Px（X）<P85

低流行水平：当前观测值（近7日移动平均值）低于P70，且高于近1年数据的基线Xbaseline［Xbaseline≤Px（X）<P70］

非流行期：低于近1年数据的基线Xbaseline

3. 疾病严重性预警：当病原的毒力增加或耐药性增加，可能导致相应疾病的严重性增加，住院、重症甚至死亡的比例增加。例如急性呼吸道传染病，新住院人次数/比例、重症病例（比如重症肺炎）人次数/比例、入住ICU人次数/比例、因呼吸道传染病死亡人数或死亡总人数中曾经确诊过呼吸道传染病的比例增加时，不仅要发出疾病严重性增加的预警，还需要发出医疗资源紧张的预警。

4. 异常聚集预警：当严重症候群异常聚集，往往提示新发传染病流行或已知传染病暴发，需要及时预警。基于多源数据的传染病预警，可通过以下渠道和节点发现严重疾病异常聚集：（1）同一医疗卫生机构发现同一类症候群或不明原因传染病患者数量突然增加；（2）幼托机构、学校、养老机构等集体机构的症状监测发现严重症候群的聚集性或暴发；（3）市（区）范围内医疗卫生机构诊疗数据互联互通，传染病预警系统时空扫描统计模型等发现，同一类症候群或不明原因传染病患者在住址、职业、年龄、工作、学习机构等特征有聚集性；（4）辖区内出现1例甲类（按甲类管理）或新发、少见的严重传染病。

共识6：在综合分析预警目的、病种、监测基础和防控策略的基础上，选择适宜的预警数据源和预警规则方法。（共识度100%）

共识7：各地可根据疾病既往流行情况和对疾病流行水平的容忍程度，设置不同的预警阈值。（共识度82%）

 第七部分 多点触发预警及综合研判 一、基于风险预警信号的风险评估

基于影响因素数据所产生的风险预警信号需要组织专家对其发生、扩散和输入的可能性及其潜在的危害进行综合分析研判，并结合历史经验和专家知识，对风险进行分级。传染病发生、扩散和输入可能性的风险等级可分为低风险、中风险、高风险和极高风险。

（一）疾病发生、扩散的风险

矩阵法是传染病发生风险最常见的评估方法。该方法结合疾病严重性和扩散的可能性对风险进行分类［32］。

1. 疾病严重性：根据疾病的潜在健康影响（如病死率、住院率和并发症），将临床严重程度分为重、较重、一般、较轻、轻五个等级。

2. 扩散可能性：根据疾病的传播效率（如基本再生数R0）、传播方式、人口密度和人际交往情况、地理交通、环境气象和免疫接种覆盖率等，将扩散可能性分为强、较强、一般、较弱、弱五个等级。

3. 构建风险矩阵：将严重性和扩散可能性组合形成风险矩阵，矩阵的每个单元格代表一种风险等级。通过构建风险矩阵，可以系统性地评估疾病发生、传播的风险等级。该方法需要基于专家咨询法将风险划分等级（表1），或按照定量分析的方法将风险划分为连续变量。

10.3760/cma.j.cn112137-20240612-01317.T001

传染病传播风险矩阵表

扩散可能性 疾病严重性
重 较重 一般 较轻 轻
强 10 9 8 7 6
较强 9 8 7 6 5
一般 8 7 6 5 4
较弱 7 6 5 4 3
弱 6 5 4 3 2

注：风险分值2~10，其中：低风险（2~4），中等风险（5~6），高风险（7~8），极高风险（9~10）

 （二）动物溢出风险

动物溢出风险评估主要关注病原体从动物宿主传染给人类的可能性。需要对动物疫情、病毒变异、病媒生物和生态环境变化监测数据进行分析对比，评估病原体溢出的风险程度。例如，野生动物中发现新型病原体，且该病原体具备人传人的潜力，可能会被评估为高风险或极高风险。历史经验和专家知识可以帮助预估哪些病原体具有较高的溢出风险，发出预警并提出加强监测、控制动物疫情和限制人与潜在宿主的接触［33］的预防对策和措施建议。

 （三）输入风险

输入风险评估主要关注病原体从外部传入的可能性。通过对国际疫情动态、跨境人员流动、国际贸易和旅行活动等数据的分析，可以评估输入性传染病的风险程度。此外，境内区域间输入情况也应被考虑。

 二、多点触发预警信号的加权集成

在预警系统中，兼顾及时性、敏感性和准确性是一个重要的挑战。当同一个“苗头”事件被多个监测渠道发现，所收集的多源数据可能触发多个预警信号。一般来说，这种多源数据产生的多点触发预警比单一来源数据的预警更具敏感性和及时性，但同时也可能过于敏感产生一些干扰信息。因此需要对多点触发的预警信号进行集成优化，综合研判，既尽可能提高其及时性和敏感性，又使其具有适当的特异性和准确性。

加权集成预警是一种对多个来源的预警信号进行加权处理的方法。每种来源的数据触发的预警信号根据数据的可靠性、重要性和历史表现分配不同的权重，然后通过加权平均或加权和的方式生成综合预警信号，提高及时性和敏感性，尽量不降低准确性和稳定性。除了加权集成外，其他的预警信号集成方法还包括投票法、元规则法等，可根据具体需要选用。

 三、复杂模型算法的综合预警

基于复杂网络模型等，可以自动学习和分析多源数据之间的复杂关系，从而基于多源数据特征综合判断预警信号。常用的方法包括图神经网络［34］、人工神经网络［35］和多层感知机［36］等，这些模型通过模仿生物神经网络的结构和功能，能够高效地处理各类数据，包括图结构数据、非结构化数据和结构化数据，广泛应用于社交网络分析、化学分子结构预测、图像处理、语音识别以及分类和回归任务等领域，有助于解决复杂场景下的综合预警问题，进一步提高预警系统的鲁棒性。

利用人工智能方法，可以有效处理多源数据，并生成综合的预警信号，提高预警系统的整体性能。然而，这些方法也存在一定的局限性，如模型的构建或者验证依赖于金标准数据的支持或人为判断、对于结果的解释性有限、需要一定的历史数据等。

共识8：基于多源数据的多点触发预警信号可能敏感性高、特异性低，对预警造成一定干扰，增加工作量。需要对多点触发的预警信号进行科学分析、系统集成、综合预警，使预警系统保持适当的时效性、敏感性和准确性。（共识度97%）

 第八部分 预警信号响应 一、风险预警信号的响应

系统发出风险预警信号后，需要立即进行初步核实。核实结果可能有以下几种情况：（1）假信号，可排除；（2）可能提示风险，需继续关注；（3）立即作出综合研判。经过综合研判后做出高、中、低三级风险预警，并提出相应的响应建议：或采取加强监测措施，或内部通报并开展风险排查，或立即采取相应的防控措施。由于预警后的响应行动可能涉及跨部门协调，消耗人力、物力和时间，有些响应行动甚至会对社会和公众产生较大的冲击，因此综合研判和发布预警结果时需要非常慎重。

 二、“苗头”预警信号的响应 （一）初步核实

系统发出“苗头”预警信号后，需要立即进行初步核实。核实结果可能有以下几种情况：（1）假信号，可排除；（2）需要持续关注；（3）立即作出综合研判。

 （二）综合研判

一般来说，基于非医疗卫生机构的数据源较为灵敏且提前，但特异性不足，若单一来源的非医疗卫生机构信号，需要慎重处理，以防对假信号的过度响应；但多个来源的非医疗卫生机构数据源均发出预警信号时，可能提示流行季的到来或疾病严重程度的变化。基于医疗卫生机构数据源发出的预警信号往往落后于非医疗卫生机构数据源，但准确度较高。对于不同数据源触发的预警信号，应根据其及时性、灵敏度和特异度，采用综合指数法进行综合研判。综合研判需要参考历史同期水平、信号关联的数据源及其个案信息。

为了快速有效地组织专家进行研判，应由负责应急的卫生行政部门牵头，在获得响应预警信号的一定时间内，及时组织包括流行病学、临床医学、疾病预防与控制、大数据分析等领域的专家，充分讨论并达成专家共识，提出应急响应建议。

 （三）提出应急响应建议

对核实研判为传染病和可疑传染病流行、扩散或暴发的情形，需立即向卫生行政部门、上级疾控机构和同级医疗卫生机构等发出内部通报，同时提出处置的建议，包括进一步调查核实、开展民众健康提示、重点场所防控、强化疫苗接种、加强医疗资源储备等。

共识9：系统发出风险预警信号和异常“苗头”预警信号后，需要立即进行初步核实和综合研判。基于非医疗卫生机构的数据源发出的预警信号较为灵敏且及时，但特异性可能不足，基于医疗卫生机构数据源发出的预警信号可能滞后，但准确度较高。需对疾病风险和严重性以及数据的可靠性进行综合研判，并据此提出应对和处置建议，保持应急工作的及时性和效率。（共识度97%）

 第九部分 预警效果评价

评价是一个比较的过程，它将具体的系统、项目、组织现实状况与设定目标（或标准）进行比较，判断预期目标的实现程度、分析影响目标实现的因素，同时通过评价预警方法也可以发展预警技术。

传染病预警效果评价可分为数据质量评价、模型方法评价、平台性能评价三个层面。数据质量评价指标可以通过自动化数据采集工具和定期报告机制等方式收集，并利用描述性统计和数据质量评估方法进行分析；模型方法评价指标可以通过模型训练、交叉验证和实际应用测试等途径收集，并通过对比分析优化模型性能；平台性能评价指标通过系统监控和用户反馈收集，并利用性能数据和用户满意度进行综合分析。根据实际情况和需求选择适宜的途径获取评价指标，并根据评价结果进行系统优化，提升系统的整体效能和可靠性。

一、数据质量评价

数据的数量和质量是影响预警效果的基本要素。数据的准确性、代表性、结构化程度、电子化程度、时效性和完整性是数据质量的重要指标［37, 38］。实时数据和近实时数据能够提高预警的敏感性和及时性，缩短预警的响应时间［39］；多源数据的整合有助于提高数据的多样性和准确性［40］，数据的可访问性和共享性能够促进多部门协同工作，提高预警系统的综合效能。应建立数据共享平台，鼓励各相关部门能够便捷获取和使用数据。

 二、模型方法评价

模型方法的评价，主要目的是通过计算一系列指标反映具体预警模型的实用效果，同时优化模型参数、预警阈值的设置。模型方法的评价指标主要包括灵敏度、特异度、及时性、准确性、误报率、阳性预测值、阴性预测值、受试者工作特征（ROC）曲线下面积（AUC）值和F1分数等［41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56］。

 三、平台性能评价

平台性能评价关注系统的整体运行效果，评价指标包括预警信息系统的稳定性、安全性、实用性、可接受性、灵活性、简便程度［57, 58, 59, 60］。此外还应考虑预警系统的智慧化程度（表2）。

10.3760/cma.j.cn112137-20240612-01317.T002

传染病预警效果主要评价指标

一级指标 二级指标 指标描述
数据质量评价 多源性 数据来源于多渠道，而非单一渠道
时效性 从数据产生到获取的时间间隔
代表性 数据能代表大部分发生某待预警疾病的人群范围
重要性 指数据在传染病监测和预警中的意义和权重
稳定性 指数据的噪声强度和长期趋势、季节性趋势的稳定性
共享性 指数据在不同部门和机构之间的可共享程度
结构化程度 数据格式化程度大小以及便于获取分析的程度
电子化程度 信息电子化、集中储存的程度
模型方法评价 灵敏度 指预警系统判断的暴发流行事件占实际暴发流行事件的比例。它反映了预警系统发现暴发流行事件的能力
特异度 指预警系统判断的非暴发流行事件占实际非暴发流行事件的比例。它反映了预警系统确定非暴发流行事件的能力
准确性 表示模型正确预测预警的能力
及时性 指首次报告暴发相关病例至预警系统首次发出预警信号的时间间隔，是指在预警系统的每个步骤传输信息所花费时间的总和
阳性预测值 也称为精准率（Precision），在所有预警信号中，真正预警信号所占的比例，反映了系统预警的实际有效性
阴性预测值 在所有未预警信号中，确实不应该发出预警信号所占的比例，反映了系统排除无关事件的有效性
ROC曲线下面积AUC值 受试者工作特征（ROC）曲线下面积（AUC）是用于评估二分类模型性能的常用指标。AUC值表示分类模型区分阳性和阴性的能力：（1）AUC=1：表示分类模型具有完美的区分能力；（2）0.5<AUC<1：表示分类模型有一定的区分能力，AUC值越接近1，区分能力越强；（3）AUC=0.5：表示分类模型没有区分能力，相当于随机猜测；（4）AUC<0.5：表示分类模型的表现比随机猜测还差，可能存在模型问题或标签反转
误报率 误报率表示预警系统将实际为阴性的样本错误预测为阳性的比例
平台性能评价 简便程度 预警系统的结构直观性和操作简易性
可接受性 反映了用户对预警系统的参与意愿和认同程度
灵活性 指系统适应信息需求变化或操作条件变化的能力
稳定性 指开发的预警系统能否持续稳定运行
实用性 是一项综合评价指标，在分析预警系统的应用效果、优于其他方法的特点及用户评价后做出综合评价
安全性 防止数据泄露的保护机制
智慧化程度 预警系统在利用智能技术（如大数据分析、人工智能、自动化、实时监控、智能决策支持等）方面的能力和效果

共识10：在传染病监测预警系统建设时同时建立动态的评价机制，将多源数据质量和治理、预警智慧化程度、系统运转效率和稳定性等作为传染病多点触发智慧化监测预警系统评价的核心指标。（共识度89%）

 第十部分 展望

建立多点触发智慧化监测预警系统是一项复杂的系统工程，不仅涉及技术层面的解决方案，还需解决诸多实施方面的实际问题。首先，在数据层面，对于多源异构的监测数据，实现高效整合与治理是一个重要挑战。亟须制定和完善相应的数据标准和治理机制，确保数据的准确性、完整性和实时性，同时通过可靠的技术手段和严格的法律法规保障数据隐私和安全。第二，在技术层面，预警算法和模型的选择与优化至关重要。不同模型在不同场景下的适用性和效果存在差异，因此需根据不同地区的具体疾病特征、数据类型和预警目标，选择最合适的模型并不断优化和调整，通过采用灵活的模型运算工具包，不断提高预警系统的灵敏度、特异度和及时性。第三，在体系层面，监测预警系统的建设和运行离不开各级卫生行政部门、疾控机构、医疗机构等多方的协调与合作。建立健全跨部门协作机制，明确各方职责，确保信息的及时传递和有效利用。同时，成功实施还需依赖于专业人员的培训和公众的认知与配合。加强相关人员的培训，提高其操作能力和应急响应能力，通过多种渠道向公众普及相关知识，增强社会对监测预警系统的信任和支持。第四，在专家层面，多学科专家的有效合作是构建智慧化监测预警系统的重要环节。为有效整合流行病学、临床医学、数据科学等领域的专业知识，提升预警系统的整体性能和应对能力，应定期组织多学科专家会议，促进知识分享和经验交流；建立跨学科协作的标准流程和操作规范，确保团队在系统设计、数据分析和模型优化等方面紧密合作。此外，预警系统的建设和实施需考虑经济成本和可持续性。在系统设计初期进行成本效益分析，确保经济可行性，并制定长期的维护和更新计划，保证系统的持续高效运行。为了确保智慧化监测预警系统的持续有效性，技术更新和维护至关重要，建议制定系统定期升级策略，定期评估和优化预警算法，确保系统及时适应新兴传染病威胁和最新监测技术的发展。展望未来，随着监测预警技术的发展，智慧化监测预警系统将会持续优化与改善，可为传染病的早期监测预警和及时有效防控提供坚实的技术与系统支撑。

《传染病多点触发智慧化监测预警系统关键技术专家共识》专家组

专家组长：杨维中（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）

主要执笔者：兰亚佳（四川大学华西公共卫生学院）；李中杰（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；叶楚楚（上海市浦东新区疾病预防控制中心急性传染病防治科）；廖一兰（中国科学院地理科学与资源研究所）；刘珏（北京大学公共卫生学院）；张婷（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）

共识制订专家组（按姓氏笔画排序）：王小莉（北京市疾病预防控制中心北京全球健康中心办公室）；王丽萍（中国疾病预防控制中心传染病管理处）；王哲（杭州市疾病预防控制中心公共卫生应急办）；王瑶（成都市疾病预防控制中心传染病防制科）；王凌航（首都医科大学附属北京地坛医院）；尹凌（中国科学院深圳先进技术研究院先进计算与数字工程研究所）；冯录召（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；兰亚佳（四川大学华西公共卫生学院）；刘建华（宜昌市疾病预防控制中心）；刘珏（北京大学公共卫生学院）；刘继增（中科软科技股份有限公司）；阮思捷（北京理工大学计算机学院）；李中杰（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；李刚（北京市疾病预防控制中心信息统计中心）；李燕明（北京医院呼吸与危重症医学科）；罗会明（海南省疾病预防控制中心）；杨俊涛（中国医学科学院北京协和医学院基础医学研究所）；杨维中（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；张丽（北京协和医院检验科）；单杰（潍坊市疾病预防控制中心）；赵鑫（宜昌市疾病预防控制中心传染病防制所）；范子亮（潍坊市疾病预防控制中心传染病防制科）；袁熠（重庆市疾病预防控制中心传染病预防控制所）；郝莉鹏（上海市浦东新区疾病预防控制中心）；凌锋（浙江省疾病预防控制中心）；陶立元（北京大学第三医院临床流行病学研究中心）；赖圣杰（英国南安普顿大学地理与环境科学学院）；漆莉（重庆市疾病预防控制中心传染病预防控制所）；鲍捷（京东科技控股股份有限公司技术服务事业部）

共识审阅专家组（按姓氏笔画排序）：王劲峰（中国科学院地理科学与资源研究所）；方立群（军事医学科学院军事医学研究院）；兰亚佳（四川大学华西公共卫生学院）；刘民（北京大学公共卫生学院）；李群（中国疾病预防控制中心）；吴群红（哈尔滨医科大学卫生管理学院）；杨维中（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；胡文彪（澳大利亚昆士兰科技大学公共卫生与社会工作学院）；段广才（中华医学会公共卫生分会）；彭志行（中国疾病预防控制中心传染病管理处）；彭宗超（清华大学公共管理学院）

学术秘书组：张婷（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；霍大柱（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；陈佳龙（北京医院呼吸与危重症医学科）；胡选成（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；韩佳彤（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；姜欣丽（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；闫温馨（北京大学公共卫生学院）；杨娇（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；杨柳飏（中国医学科学院北京协和医学院群医学及公共卫生学院）；韩萱（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；范国辉（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）；王洪键（四川大学华西公共卫生学院）；辛化雷（中国医学科学院北京协和医学院群医学及公共卫生学院 公共卫生应急管理创新中心）
参考文献
参考文献 杨维中, 兰亚佳, 吕炜, 等. 建立我国传染病智慧化预警多点触发机制和多渠道监测预警机制[J]. 中华流行病学杂志, 2020, 41(11):1753-1757. DOI: 10.3760/cma.j.cn112338-20200722-00972. 马宇航, 殷一, 江欣, 等. 新发呼吸道传染病多渠道监测和多维度预警体系研究与思考[J]. 中华流行病学杂志, 2023, 44(4):529-535. DOI: 10.3760/cma.j.cn112338-20221201-01029. 王金龙, 陈涛, 任翔, 等. 重要呼吸道传染病智慧化监测预警与有效应对策略探讨[J]. 病毒学报, 2021, 37(5):1175-1178. DOI: 10.13242/j.cnki.bingduxuebao.004024. 中国政府网. 全面推进智慧化多点触发传染病监测预警体系建设[EB/OL].[2024-05-30]. https://www.gov.cn/xinwen/jdzc/202312/content_6922957.htm. 陈翠霞, 王小龙, 蒋太交, 等. 基于多源异构大数据挖掘的流感病毒防控预测预警平台构建研究[J]. 中国生物工程杂志, 2020, 40(1):109-115. DOI: 10.13523/j.cb.1906028. 闫佳和, 李红辉, 马英, 等. 多源异构数据融合关键技术与政务大数据治理体系[J]. 计算机科学, 2024, 51(2):1-14. DOI: 10.11896/jsjkx.221200075. Sachs JD, Karim S, Aknin L, et al. The Lancet Commission on lessons for the future from the COVID-19 pandemic[J]. Lancet, 2022, 400(10359):1224-1280. DOI: 10.1016/S0140-6736(22)01585-9. World Health Organization (WHO). Disease early warning, alert and response in emergencies for outbreaks. [EB/OL].[2024-05-30]. https://www.who.int/news-room/feature-stories/detail/disease-early-warning-alert-and-response-in-emergencies. Lai S, Ruktanonchai NW, Zhou L, et al. Effect of non-pharmaceutical interventions to contain COVID-19 in China[J]. Nature, 2020, 585(7825):410-413. DOI: 10.1038/s41586-020-2293-x. 杨维中. 传染病预警理论与实践[M]. 北京:人民卫生出版社, 2012. 赖圣杰, 冯录召, 冷志伟, 等. 传染病暴发早期预警模型和预警系统概述与展望[J]. 中华流行病学杂志, 2021, 42(8):1330-1335. DOI: 10.3760/cma.j.cn112338-20210512-00391. 王树坤, 赵世文, 伏晓庆, 等. 传染病暴发或流行的探测、监测和预警[J]. 中华流行病学杂志, 2021, 42(5):941-947. DOI: 10.3760/cma.j.cn112338-20201020-01251. 成君, 刘剑君. 我国学校结核病疫情监测和预警的现状与进展[J]. 中国防痨杂志, 2020, 42(5):436-441. DOI: 10.3969/j.issn.1000-6621.2020.05.005. Brown AC, Lauer SA, Robinson CC, et al. Evaluating the ALERT algorithm for local outbreak onset detection in seasonal infectious disease surveillance data[J]. Stat Med, 2020, 39(8):1145-1155. DOI: 10.1002/sim.8467. Qin G, Zhang L, Yu CJ. Nonpharmaceutical interventions and epidemic intensity during the 2019 Novel Coronavirus Disease Pandemic[J]. Clin Infect Dis, 2020, 71(8):2019-2020. DOI: 10.1093/cid/ciaa432. 崔运武, 袁晓瑭. 论应对重大疫情决策支持系统的完善——基于国家治理现代化和整体性治理的分析[J]. 学术探索, 2022, (1):73-79. DOI: 10.3969/j.issn.1006-723X.2022.01.010. M′ikanatha NM, Lynfield R, van Beneden CA, et al. Infectious disease surveillance[M]. New Jersey: Wiley-Blackwell, 2013. Salathé M. Digital epidemiology: what is it, and where is it going?[J]. Life Sci Soc Policy, 2018, 14(1):1. DOI: 10.1186/s40504-017-0065-7. Morgan OW, Abdelmalik P, Perez-Gutierrez E, et al. How better pandemic and epidemic intelligence will prepare the world for future threats[J]. Nat Med, 2022, 28(8):1526-1528. DOI: 10.1038/s41591-022-01900-5. Liu J, Liu M, Liang WN. The 'Triangle Model' theory for prevention and control of newly emerging infectious diseases: definition, characteristics, and experience in China[J]. Glob Transit. 2023, 5:137-140. DOI: 10.1016/j.glt.2023.08.004. Russell S, Norvig P. Artificial Intelligence: A Modern Approach, 3rd Edition [M]. London: Pearson Education Limited, 2016. Shmueli G, Koppius OR. Predictive analytics in information systems research[J]. MIS Quart, 2011, 35(3): 553-572. Hayes-Roth F. Rule-based systems[J]. Commun ACM, 1985, 28(9): 921-932. 姜芳晶, 杨维中. 医学常用综合评价方法[J]. 疾病监测, 2006, 21(6):325-328. DOI: 10.3784/j.issn.1003-9961.2006.06.017. 杨维中, 兰亚佳, 李中杰, 等. 国家传染病自动预警系统的设计与应用[J]. 中华流行病学杂志, 2010, 31(11):1240-1244. DOI: 10.3760/cma.j.issn.0254-6450.2010.11.009. Bishop CM, Nasrabadi NM. Pattern recognition and machine learning[M]. Berlin: Springer, 2006. National Research Council (US) Committee on Climate, Ecosystems, Infectious Diseases, and Human Health. Under the weather: climate, ecosystems, and infectious disease. [M]. Washington (DC): National Academies Press (US), 2001. Heffernan R, Mostashari F, Das D, et al. Syndromic surveillance in public health practice, New York City[J]. Emerg Infect Dis, 2004, 10(5):858-864. DOI: 10.3201/eid1005.030646. Gao Y, Cai GY, Fang W, et al. Machine learning based early warning system enables accurate mortality risk prediction for COVID-19[J]. Nat Commun, 2020, 11(1):5033. DOI: 10.1038/s41467-020-18684-2. O′Regan SM, Drake JM. Theory of early warning signals of disease emergenceand leading indicators of elimination[J]. Theor Ecol, 2013, 6(3):333-357. DOI: 10.1007/s12080-013-0185-5. Bishop CM. Pattern recognition and machine learning [M]. Berlin: Springer, 2006. World Health Organization. Strategic toolkit for assessing risks: a comprehensive toolkit for all-hazards health emergency risk assessment[M]. Geneva: World Health Organization, 2021. Olival KJ, Hosseini PR, Zambrana-Torrelio C, et al. Host and viral traits predict zoonotic spillover from mammals[J]. Nature, 2017, 546(7660):646-650. DOI: 10.1038/nature22975. Liu XD, Hou BH, Xie ZJ, et al. Integrating gated recurrent unit in graph neural network to improve infectious disease prediction: an attempt[J]. Front Public Health, 2024, 12:1397260. DOI: 10.3389/fpubh.2024.1397260. Deb S, Sidheekh S, Clements CF, et al. Machine learning methods trained on simple models can predict critical transitions in complex natural systems[J]. R Soc Open Sci, 2022, 9(2):211475. DOI: 10.1098/rsos.211475. Pichler M, Boreux V, Klein Alexandra-Maria, et al. Machine learning algorithms to infer trait-matching and predict species interactions in ecological networks[J]. Methods Ecol Evol, 2020, 11(2).DOI: 10.1111/2041-210X.13329. Madamombe K, Karakadzai M, Masoja G, et al. Evaluation of the weekly disease surveillance system for epidemic-prone diseases in Makonde District, Zimbabwe 2020: a descriptive cross-sectional study[J]. Pan Afr Med J, 2022, 43:132. DOI: 10.11604/pamj.2022.43.132.35001. Manurung MK, Reo SE, Pardosi JF, et al. Evaluation of the indonesian early warning alert and response system (EWARS) in West Papua, Indonesia[J]. WHO South East Asia J Public Health, 2020, 9(2):111-117. DOI: 10.4103/2224-3151.294304. 张美玲. 我国突发公共卫生事件预警机制研究——以新冠肺炎疫情为例[D]. 重庆:西南政法大学, 2021. 黄锐, 陈维政, 胡冬梅, 等. 基于区块链技术的我国传染病监测预警系统的优化研究[J]. 管理学报, 2020, 17(12):1848-1856. DOI: 10.3969/j.issn.1672-884x.2020.12.013. 周志峰, 廖玉学, 李学云, 等. 前瞻性时空重排扫描统计量法在深圳市流行性腮腺炎聚集性疫情早期预警中的应用[J].实用预防医学, 2020, 27(1), 16-20.DOI: 10.3969/j.issn.1006-3110.2020.01.005. 范允舟. 综合症状监测系统预警性能的评价及应用研究[D]. 湖北:华中科技大学, 2015. DOI: 10.7666/d.D731727. 赖圣杰, 廖一兰, 张洪龙, 等. 2011—2013年国家传染病自动预警系统中时间模型和时空模型应用效果比较[J]. 中华预防医学杂志, 2014, 48(4):259-264. DOI: 10.3760/cma.j.issn.0253-9624.2014.04.005. 来晓强, 殷小娟, 张彦青, 等. 定西市传染病自动预警系统运行效果分析[J]. 疾病预防控制通报, 2016, 31(4):22-24. DOI: 10.13215/j.cnki.jbyfkztb.1604008. 孔园园. 2012—2016年上海松江传染病自动预警信息效果[J]. 公共卫生与预防医学, 2018, 29(3):110-113. DOI: 10.3969/j.issn.1006-2483.2018.03.029. 余向华, 潘琼娇, 魏晶娇, 等. 浙江省温州市传染病自动预警系统运行情况分析[J].疾病监测, 2013, 28(6):496-498. Abdulla AA, Rasheeda F, Ahmed IN, et al. An evaluation of the surveillance system for dengue virus infections in Maldives[J]. WHO South East Asia J Public Health, 2014, 3(1):60-68. DOI: 10.4103/2224-3151.206886. Fan Y, Wang Y, Jiang H, et al. Evaluation of outbreak detection performance using multi-stream syndromic surveillance for influenza-like illness in rural Hubei Province, China: a temporal simulation model based on healthcare-seeking behaviors[J]. PLoS One, 2014, 9(11):e112255. DOI: 10.1371/journal.pone.0112255. 叶楚楚, 朱渭萍, 王远萍, 等. 国家传染病自动预警系统探测范围对手足口病聚集性事件预警效果的影响[J]. 疾病监测, 2017, 32(9):725-730. DOI: 10.3784/j.issn.1003-9961.2017.09.006. 鲁琴宝, 徐旭卿, 林君芬, 等. 2009—2012年浙江省传染病自动预警系统预警结果分析[J]. 中国预防医学杂志, 2014, 15(7):654-658. Lee CT, Bulterys M, Martel LD, et al. Evaluation of a national call center and a local alerts system for detection of new cases of ebola virus disease-Guinea, 2014-2015[J]. MMWR Morb Mortal Wkly Rep, 2016, 65(9):227-230. DOI: 10.15585/mmwr.mm6509a2. 彭悦景, 李迎慧, 杜琛, 等. 深圳市基于污水流行病学的新型冠状病毒奥密克戎变异株感染者来源追踪案例分析[J]. 中华医学杂志, 2024, 104(4):302-307. DOI: 10.3760/cma.j.cn112137-20231016-00766. Craig AT, Joshua CA, Sio AR, et al. Epidemic surveillance in a low resource setting: lessons from an evaluation of the Solomon Islands syndromic surveillance system, 2017[J]. BMC Public Health, 2018, 18(1):1395. DOI: 10.1186/s12889-018-6295-7. 李媛, 吕秋莹, 马汉武, 等. 深圳市2008—2011年传染病自动预警信息分析[J].中国公共卫生, 2013, 29(6) 858-861. 陈碧云, 高立冬, 李忠杰, 等. 湖南省传染病自动预警系统预警效果分析[J]. 实用预防医学, 2012, 19(12):1767-1771. DOI: 10.3969/j.issn.1006-3110.2012.12.002. Yang L, Zhang T, Han X, et al. Influenza epidemic trend surveillance and prediction based on search engine data: deep learning model study[J]. J Med Internet Res, 2023, 25:e45085. DOI: 10.2196/45085. 孙乔, 傅益飞, 朱渭萍, 等. 症状监测与预警系统建立及应用[J]. 预防医学情报杂志, 2012, 28(6): 430-433. Craig AT, Kama M, Samo M, et al. Early warning epidemic surveillance in the Pacific island nations: an evaluation of the Pacific syndromic surveillance system[J]. Trop Med Int Health, 2016, 21(7):917-927. DOI: 10.1111/tmi.12711. Keita M, Lucaccioni H, Ilumbulumbu MK, et al. Evaluation of early warning, alert and response system for ebola virus disease, Democratic Republic of the Congo, 2018-2020[J]. Emerg Infect Dis, 2021, 27(12):2988-2998. DOI: 10.3201/eid2712.210290. Rumunu J, Wamala JF, Sakaya R, et al. Evaluation of integrated disease surveillance and response (IDSR) and early warning and response network (EWARN) in South Sudan 2021[J]. Pan Afr Med J, 2022, 42(Suppl 1):6. DOI: 10.11604/pamj.supp.2022.42.1.33780.