數字技術在COVID-19防疫工作中大顯神通

數字技術幾乎已經全方位融入人類生活，我們無時無刻不在享用著它的神奇。當突如其來的新冠大流行時，我們正是依靠數字技術而避免更大損失。數字技術支撐了防疫工作的每個環節，本文從流行病學監測、病例識別以及接觸追蹤這三個方面概述其作用。

流行病學監測

公共衛生部門在應對大規模疫情時，必須開展的一項核心職能便是流行病學監測——監測病原體的散播情況、人群的易感程度、感染率和死亡率，疫苗接種覆蓋以及免疫效果等。這些反映疫情特征和防疫進度的流行病學數據有助于我們確定傳染病的危險因素，判斷其發展趨勢，并及時制定或調整防疫策略。

掌握病毒傳播情況的基礎是做好人群監測工作。傳統的人群監測系統主要依賴實驗室提供的健康相關數據、醫生的臨床病例診斷以及癥狀監測網絡（syndromic surveillance networks）。癥狀監測網絡以來自醫院等醫療衛生機構的臨床癥狀報告（例如描述某尚未確定的傳染病為“流感樣疾病”）為基礎，這些機構通常都會提供所有病例的定期監測數據。

然而，此類人群監測的缺陷在于全部數據均來自醫療系統“登記”的人群，無法反映那些并未尋求醫療幫助的潛在患者。英國的研究團隊曾指出：英國在疫情暴發早期階段，只對住院患者和醫護人員進行了病毒核酸檢測；他們基于此情況估算英國的確診病例數僅為實際感染人數的4.7%。

盡可能找出未確診病例，我們才能更真實呈現疫情的規模和特點，更準確制定防疫措施。問題在于如何挖出那些“潛藏”的感染數據。

在過去20年間，我們通過新聞媒體、社交網絡以及搜索引擎等平臺搜集、提取和整合信息的能力顯著增強。今天，我們有能力在龐大的數據庫中找到傳統臨床報告沒有的內容。在統計和分析COVID-19感染人群時，我們借用了網絡數據庫。

世界范圍最頂尖的流行病監測在線平臺包括：美國科學家聯盟建立的新發疾病監測計劃（ProMED-mail）、加拿大公共衛生局開發的全球公共衛生情報網絡（GPHIN）、波士頓兒童醫院組建的全球疫情監控網（HealthMap）、世界衛生組織（WHO）與其他機構聯合打造的來自公開資源的流行病情報（EIOS）等。這些數據整合系統能夠借助自然語言和機器學習篩選并處理在線數據，給出可靠的監測結果，并有望提供前瞻性的疫情分析。WHO搭建的EPI-BRAIN平臺集合了針對不同傳染病的數據庫。在WHO發表關于疫情的聲明之前，少數幾個監測系統就基于眾包數據和新聞報道，提前“探查”了亞洲地區的早期病例。英國的自動癥狀監測系統掃描國家衛生服務數字記錄，以收集可能發出COVID-19信號的呼吸癥狀。設想一下，如果在疫情早期，就可以通過此類排查來鎖定高風險群體，那么防疫工作會大大受益。美國的研究團隊曾在國內疫情尚未暴發之時，調用來自丁香園的眾包數據進行了針對COVID-19的早期流行病學分析。

快速識別病例

在大流行期間，早期和快速識別病例對于病人和密切接觸者的隔離至關重要，這樣可以減少進一步傳播，也有助于研究者了解傳染病的關鍵風險和傳播模式。在傳統的臨床和實驗室病例報告的基礎上，數字網絡為線上看診提供了平臺。潛在感染者可以向網絡社區報告自己的癥狀，也可以根據指南自行判斷是否感染。無論方式如何，問診者的信息都會被即時錄入數據庫。

通過在線癥狀報告進行病例識別（如新加坡和英國）傳統上用于監測，但現在它提供了關于隔離和轉診到下一步醫療服務的建議，如視頻評估和檢測。這些服務可以迅速實施，但必須與正在進行的公共衛生監測和行動相銜接，例如病例隔離和接觸者隔離。雖然這種方法適用于有癥狀者，但對個體和人群的廣泛檢測以及接觸者追蹤而言，在病例識別中起著至關重要的作用，估計占80%的COVID-19病例是輕度或無癥狀。傳感器（包括熱成像攝像機和紅外傳感器）正用于根據發熱癥狀（例如在機場)確定潛在病例。大量的假陽性和假陰性結果意味著，這不太可能產生提高認識之外的實質影響。人們還在探索可穿戴技術，以監測COVID-19在人群中的情況。

人們對分散的、數字連接的快速診斷檢測越來越感興趣，以擴大檢測的機會，提升檢測能力，減輕醫療系統和診斷實驗室的壓力。正在研發若干護理點的COVID-19的PCR測試，然而，其使用仍然限于醫療護理環境。開車通過檢測設施和自動檢測試劑盒擴大了檢測的范圍。在取樣、向中心實驗室發送樣品、等待結果和后續工作之間存在不可避免的時間延遲。相比之下，護理點快速診斷抗體檢測可以在家庭或社區或社會護理環境中實施，并在幾分鐘內給出結果。通過使用圖像處理和機器學習方法，與具有自動讀出功能的智能手機連接，可以使大規模檢測與地理空間和病人信息快速鏈接，向臨床系統和公共衛生系統報告，并可以加快結果的獲得。為了提高工作效率，需要數據標準化和將數據整合到電子病歷中。

通過抗體檢測識別過去的感染也是人群水平監測和評估干預措施（如保持社交距離）有效性的核心。到目前為止，護理點血清學檢測尤其具有可變的性能，而抗體反應可能是短暫的，這種檢測如何有助于病人管理仍然是未知的。一些人認為：在經濟中必須保持活躍的血清反應陽性的工作人員可以獲得數字“免疫護照”，以表明不會感染；盡管這樣的策略是脆弱的，具有操作和臨床的不確定性。人們正在開發機器學習算法，將COVID-19從社區獲得性肺炎中自動區分開來。

數字接觸追蹤

前文提到，除了鎖定感染者，快速追蹤并隔離與他們有過密切接觸的人群也是阻斷傳播的關鍵步驟，尤其是在病毒傳播率很高的地區，針對密切接觸者的監測工作對控制疫情蔓延至關重要，但傳統的追蹤手段顯然跟不上病原體擴散的腳步。

不少國家開發了移動端的接觸追蹤應用：韓國的監測系統通過APP跟蹤確診病例的出行軌跡和交易記錄尋找密切接觸者。中國推行了支付寶健康碼，基于用戶的行動軌跡自動評估其密切接觸的風險；把守于車站、醫院、超市或小區等人流密集地或通行要塞處的工作人員根據健康碼決定是否執行限制舉措。挪威曾推出一款名為Smittestopp的應用程序用于收集用戶的位置數據，不過遭到了國內數據保護機構的反對，后者認為Smittestopp的實際權限已經超出其任務范疇；之后，挪威停用了此軟件。

隱私泄露一直都是某些手機APP招惹爭議之處，這一點在追蹤類應用上體現得尤為明顯。有些國際機構正在制定針對追蹤類應用程序的框架，以規范數據收集過程。

接觸者追蹤程序的一大關鍵限制在于，它們對用戶數量的要求很高，只有全國大部分人口都使用它，并按其建議行事，追蹤數據才能最大程度發揮作用。從這個角度來看，新加坡的防疫應用程序TraceTogether的進展并不理想，到2020年6月，全國僅30%的民眾使用了這款APP。

此外，追蹤應用也面臨一些技術層面的挑戰，例如分析哪些接觸是密切到足以導致感染，多久的接觸時長應觸發警報。另一方面，智能手機所有權、用戶信任、可用性和手機兼容性等一系列因素都會影響APP的效用。

要準確量化數字技術對防控新冠疫情的貢獻還為時尚早，但至少我們可以達成這樣的共識：數字技術提供了一套高效便捷的輔助工具，可作為常規公共衛生措施的補充，減小了新冠給人類造成的損失，也證明了數據共享的必要性，為未來移動和數字醫療發展指明了方向。

資料來源 Nature Medicine