检索了15460项研究，AI与机械流行病学建模相结合：机遇和挑战的范围界定回顾

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。

来自耶鲁大学（Yale University）、约克大学（York University）的研究团队发布了论文「 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。