人工智能在个体健康管理和群体疾病监测中的应用进展

丁 蕾，潘梅竹，牟 为，石建伟，张舒娴，蒋雪琴

(1.上海交通大学医学院，上海 200025;2.华东理工大学社会与公共管理学院，上海 200030)

与临床治疗不同，公共卫生与预防医学主旨“上医治未病”，是通过预防性的手段对疾病进行提前干预或指定后续治疗方案，对广大人民的健康进行管理。我国发展建设新型公共卫生体系主要包括两个方面:基于不同个体或该类个体所在相似人群的精准健康防控，以及基于大数据管控突发流行病等卫生事件的群体风险监管[1]，它们二者在公共卫生安全领域各有侧重点也互为补充[2]。然而，当下的疾病控制体系持续面临人力短缺、采集收据方法陈旧、监督系统薄弱、数据分析方法单一等[3-5]，迫切需要新的技术方法和理念来改进这些现实问题。人工智能可以从硬件配备和高端数据分析两个层面辅助现代预防医学体系的建设。包括便携式配饰、运动器械芯片等，与手机端口或物联网端口进行连接，实时收集人体变量数据。同时，人工智能设备和算法对生理指标进行分析研判，辅以对不同个体的社会行为的收集分析，能及时发现潜在的亚健康病情并给予解决。此外，以突发性传染病为例，目前的智能驱动的个体数据收集也可以在群体监测的过程中得到综合应用:包括将这些数据结合时间、行程、线上及线下的社会行为等多种数据进行计算和模型构建，可以完善疾病控制的预警系统，做到有效减少地区间流行病和传染病的传播与危害系数。因此，本文讨论了智能技术将公共卫生体系中的个体化健康管理和群体性疾病监控两个疾病预防的关键领域进行有序融合的研究发展，为发展人民健康利益以及建设多元化卫生管理体系提供支持。

1 人工智能在精准化个性健康管理的应用

人工智能(artificial intelligence,AI)服务于公共卫生的研究方向与国家需求相关[6-8]，如低收入发展国家更重视传染病的监控，但发达国家的智能公共医疗系统多精准聚焦个性化的疾病的预防管理。欧美国家的精准化智能健康体系致力于将人工智能运用到遗传学和生物医学的研究中，通过基因组测序分析揭示特殊基因或者蛋白质和人类遗传性疾病或慢性病之间的联系[9]。例如，在最近一项样本量有限的病例对照研究中，美国研究人员开发了一种整合个人全基因组测序和机器学习数据的算法，并使用该算法研究携带不同染色体基因的人群，其脂肪肝和慢性肝炎的发病率[10]。评估了在给定个人基因组基线的情况下改变个人生活方式，如饮食和运动等行为因素对肝脏慢性疾病干预的有效性，从而证明人工智能结合生物学内容对个人健康管理模型的实用性。这种基因或蛋白质组学结合智能算法的模式对于基因缺陷引发的潜在疾病有很好的预防作用。然而，许多慢性疾病不仅仅是基因缺陷导致的，而是基于日常生活、饮食和行为等多因素诱发而来。随着社会分工的逐步改进和医疗条件的完善，不同人群甚至不同个体引起疾病的危机因素和对疾病承受能力都各有不同。个体健康管理的需求从早期的集中筛查、集体体检，逐渐转变为个体化精准管理的医(治)防(控)融合理念[10]。如今的个体健康管理也需要满足不同层次的人群。例如，在年轻一代中出现亚健康人群增多等健康问题，需要对工作时常、强度和工作性质进行个体分析，结合体力工作时间和心理情绪管理进行健康预防和干预；另一方面，人口老龄化已从西方困扰转变成全球议题，在我国的老年人中进行慢性病的提前预防也是亟需关注的公共卫生问题。这些现实问题都可以通过开发AI装备以及优化智能算法来改善。尤其是将AI运用到对亚健康、慢性疾病和老龄化人群的健康危险因素进行全面监测、分析评估和预测[11-13]。

利用新型智能穿戴技术设备协助收集日常数据，常见的非侵入式可穿戴式传感器主要有手表、颈环、特殊传感的衣物鞋帽等，这些载体用于收集个体数据，进而达到个性化健康风险预警和健康结果预测的实时推断；同时，AI基于收集的数据与大数据进行对比，抽取关键因素，进行智能机器学习，寻找可疑的生理疾病前兆；同时整合该人的职业、行为等进行建模运算，可以进一步优化精准的个人健康管理和预防干预。确保实现全民健康覆盖的健康相关的可持续发展目标[14]。欧美国家从2010年起开发第一代智能手环/颈环，基于运动时间、心跳等简单生理数据，详细记录用户运动与空闲时间；以及平均运动距离与身体能耗相结合，进而预测用户最优化的运动和睡眠数据[15]，如清晰地记录睡眠时间包括人体深度和浅睡眠时间绘制睡眠质量结果波动图，从而提供作息健康指导。后续发展的第二代智能健康设备结合更多大数据，在第一代智能设备的基础上，根据年龄、性别、身高和体重计算最佳运动管理，基于智能算法给出运动和饮食建议[16]。这些经典的AI驱动的健康管理可以为城市工作压力大的亚健康人群，建立某一项或者综合性的健康档案记录。

但是，以上这些传统可穿戴设备主要是基于简单的个体数据收集和分析，缺少对特殊疾病或者潜在慢性病有针对性的监测和预防手段。老龄化社会使得在进行预防医学健康管理的同时，更需结合临床疾病因素，精准靶向慢性病的发生发展[17]。新的形势需要AI指导的医+防融合，例如，开发复杂全面的新型可穿戴传感器用于实时监测患者的重要生理信号和活动，改进初级版本的可穿戴设备，有助于个性化评估早期疾病的发生发展[18-22]。研究表明，最新智能计算方法通过多维度监测运动方式发现肌肉骨骼或认知疾病、跌倒和平衡评估中发挥作用。如所示图1，步行涉及多个关节和肌肉群，包括脊柱、髋关节、膝关节和背部肌肉、髋关节周围肌肉等。典型的步行周期由小脑控制，需要身体不同部位之间良好的平衡和协调[23]。因此，行走模式的任何异常都可能预示着肌肉骨骼系统、中枢神经系统或外周神经系统疾病。例如，早发性神经退行性疾病(如阿尔茨海默病或帕金森病)的人往往表现出不同的行走模式。帕金森病的早期症状之一是步履蹒跚。除此之外，早期帕金森病患者在行走时可能会遇到启动、停止和转向的困难，这些资料的收集和提取将为慢性病早诊和干预提供精准化的个人健康管理[24]。特殊人群，如老年人由于运动控制力和肌肉力量下降，通常更容易摔倒，在AI计算中对步态的定量分析和评估，叠加年龄与死亡率和跌倒骨折的相关性，预测步速、行走姿势与跌倒受伤的关联性并作出有效的个性化干预。

图1 人工智能主导的可穿戴设备在个性化健康管理的流程图Fig.1 Flow-work of artificial intelligent associated wearable devices in personalized health management

2 人工智能在突发性公共卫生事件的应用

国际社会发展与全球化的科技经济发展规律得出，当人均国内生成总值达到1 000～3 000美元时，该国即将进入公共安全事件高发期。遵照这一规律，我国已经进入高风险社会。而高风险的公共安全事件中，突发性传染病这一公共卫生问题也会因为全球经贸一体化等各方面因素，扩大疾病暴发的概率和范围，对国家造成巨大的人口和社会损失[25]。为了更好地落实“预防为主”的国家卫生服务方针政策，需通过公共卫生监测(public health surveillance)系统[26-28]，全面收集、分析，解释和传递与健康事件相关的数据信息，建立早期的预警监测和疾病追踪机制。传统的被动型监测方式将病情信息通过基层社区卫生机构逐步向上汇总，最后通过实验室手段进行鉴定后确认发布[29]。然而，这种事后发布的监测手段难以对疫情进行早期和感染高峰期预测，易错失卫生干预的最佳时机。人工智能可以通过数据分析和计算模拟，嵌入突发公共卫生危机管理的全周期。例如，通过雨季时长和伊蚊幼虫的感染率，结合历年发病区域的综合数据，预测泰国中部登革热的发病率，做到提前在当地进行病害虫管理和传染病防治工作。在许多突发性传染病的疫情防控中，人工智能结合大数据分析和互联网科技等手段为对疫情溯源和监测具有重要意义[30]。

此外，最新的群体性管理模式也聚焦于将个体数据进行收集，基于计算机算法挖掘和处理信息，组成大数据平台。在卫生安全事件中，智能设备记录个体的体温、睡眠等模式等，分析潜在的个体病况。同时，这些个体信息将储存于大数据平台中，并通过与整体趋势相结合的模式，进行群体风险预测和监控[31-34]。目前，个性化数据整合到群体预警体系的方式方法可以表现在多个层面，包括智能算法结合动力学模型、动态感染模型等大数据分析模型和实践技术来进行风险态势研判。例如，在2020年新冠肺炎疫情暴发初期，波士顿儿童医院开发出新的个性化健康地图(Personal Health Map)系统[35],利用智能手机这一便携通讯设备，设置物联网温度计小程序将智能手机或温度计数据结合，用于收集和处理不同的用户体温、症状等生物体征数据，结合智能大数据中的用户年龄、症状持续时间和地理位置等信息，运用神经网络深度学习的方法处理数据，预测传染病地区走向和发展趋势。通过对不同传染病个体的案例进行相似性合并，辅助疾病救治、疫情防范管制和疫情信息管理[36]。我国在新冠肺炎疫情期间,对确诊或疑似患者潜在的疾病传播路线进行多层次管理和预判，包括通过问询其地理位置、消费数据、出行时间等个体数据，将这些数据与发病区域在空间和时间上进行大数据拟合分析。通过AI 绘制传染源的地图行动轨迹;基于该行动轨迹寻找和计算出每个疑似个体的密切接触者,并针对不同的接触时间、接触形式进行危险性划分和流行病溯源分析。这些AI辅助手段在疫情传染期，提高了防控队伍的信息捕捉能力，可为处置高危地区和潜在高危地区的不同人群提供处理方案。

除了对于个性化的生理数据(体温、睡眠、饮食)进行分析，人工智能也可以个体主动性的社会行为进行数据处理，通过相关非常规社会大数据也能够重建疾病暴发的早期整体人群流行病学模型。如，利用一系列滞后的“社交媒体搜索索引”搜索各种关键词，包括突发疫情的临床症状(如干咳、发热和胸闷等)。科研人员发现，通过使用机器学习等技术，可以分别提前6～9 d发现新的疫情疑似病例和确诊病例。同时，还可以利用人口迁移数据，建立了一个动态传播的、分室的“易感暴露-感染-清除”(susce-ptible-exposed-infectious-recovered,SEIR)模型，结合人工智能方法[37]，通过对2003年SARS疫情数据进行模拟，预测COVID-19大流行曲线[38]。此外，社会资源调度同样可以通过人工智能算法与疾病健康监测进行数据对接。在疫情期间，电网大数据通过对不同家庭用电数据的细节分析，根据用电量预判所在社区独居和隔离人群数量，从而进行针对性的预防干预方案。还可在宏观上掌握和复盘医疗卫生与社会经济复工之间的调控关系。总之，开发和优化AI公共卫生健康管理平台，制定疾病监控相关行动，以减少发病率和死亡率[39-40]，可以提升公共卫生事件管理的意识和能力，保障国家卫生治理体系与健康管理能力的现代化需求(图2)。

图2 基于人工智能的突发性传染病监测防疫体系Fig.2 Monitoring and epidemic prevention system for emergent infectious diseases based on artificial intelligence

3 人工智能在公共卫生体系的前景与困境

人工智能在临床诊断和药物开发等领域的应用成为新时代医学领域坚强的科技支撑，然而，现有的人工智能系统对公共卫生和预防医学的社会实际需求仍存在差距。公共卫生系统的现代化建设需要考虑AI机器学习的算法优化，尤其是在集成来自不同来源的数据输入、输出和属性方面，仍有待进一步提升[41]。目前最需要的几个建设方向主要是:在禽流感、新冠肺炎等突发传染病的场景下，研发基于流行病的病例库和知识库；构建基于专家指导、多部门参与的人工智能预警系统；除常规可穿戴设备外，在公共场合设置多样化的疫情数据采集的硬件建设；将个人定位与数字地图定位相结合，提升用户覆盖率和精准度。例如，四川大学华西医院快速建立“华西抗疫预防的工作模式”，在已有智慧医疗基础上充分发挥，通过华西医院互联网平台，整合院内服务互联网的电子挂号和诊疗数据，加入到四川省疾控部门的大数据中，实时播报医患感染情况，避免人群聚集，发现潜在病例[42]。以上的发展趋势均说明，在人工智能与预防医学的建设中，需加强人才培养，鼓励学科建设，将预防医学、生物医学等相关医学专业与软件开发、大数据挖掘等专业的跨学科结合。

然而，全面开展智能健康数据管理也将带来巨大的伦理挑战。智能化的健康管理大数据成为了公共卫生领域不可或缺的技术依赖，这些数据协助智能医疗平台搭建的同时，也会增加医疗数据泄露的风险[43]。精准化的健康管理既需要通过个人软件或可穿戴设备收集资料，也需要与大量疾病数据进行机器学习和模型比对。机器学习在个性化疾病预防和干预通过患者的行为或遗传风险因素定制预防措施，需要经由网络数据库、便携式可穿戴设备和社区医院等多个渠道收集和共享大量的数据。然而，人工智能在执行机器学习的过程中，无法有意识进行个人隐私保护。因此，为了保护敏感的个人医疗数据的隐私，还需要使用安全的通信信道。强大的加密技术，如公钥基础设施(public key infrastru-cture,PKI)、安全套接字层(secure sockets layer,SSL)以及适当的授权和身份验证算法可以实现以增强数据安全性。同时，对于人工智能技术在预防医学和健康管理方面，应设立专门的监管体系，在现有法律法规之上，完善和加强对人工智能的监督机制。目前的伦理法规主要是基于各个领域和行业的分类监督模式，即医学类伦理问题受到医学专家委员会的监督管理。然而，不容忽视的是，这种基于专业驱动的管理模式在人工智能越来越普及的当今医学建设中是有缺陷的。对AI监管的专业知识应更为全面，而不仅仅是单一在医学或者计算领域进行定责。综上所述，针对医疗大数据新时代个人隐私的保护面临尴尬的处境，完善涉及疫情传播隐私大数据软件升级以及相关法律法规建设，加强对个人隐私、数据资源的管控。

4 展 望

国家健康发展计划表示，至2030年，每个成年人都应以能负担得起的方式使用数字化的卫生保健服务。因此，当前的公共卫生形势使得在符合医学伦理和保护个人信息安全的前提下，需要进一步优化从个体健康数据的收集到群体数据云平台构建过程中存在的现实问题。包括完善法律法规，出台国家规范，对由个人数据组成的健康大数据进行标准体系认证；以及形成专业的组织构建，如建立国家高等级的人工智能伦理委员会、统一人工智能医疗便携设备及其相关软件的伦理审查原则等。此外，应总结人工智能医疗软件监管工作起步较早的国家的工作经验，并结合我国人工智能技术在公共卫生领域的实施具体问题，与不同国家和地区开展共同合作。