摘要：在过去几十年中，新生流行性传染病成为全球健康最为关注的问题之一，各国越来越重视疫情的早期监测。在传统方式下，传染病预警主要依赖国家机构化的公共卫生体系，面临着信息量不足和响应时滞等问题。随着信息社会来临，大数据在现代公共卫生体系中的应用越来越广泛，为疾病防控提供了更加综合和多元化的信息来源，呈现出巨大的发展潜力。文章分析数字化技术在国际公共卫生监测中的最新发展，以主要发达国家为例，说明大数据在传染病疫情监测中的应用优势，最后得出对中国的几点启示。
关键词：大数据;公共卫生;疫情监测;流行性传染病
中图分类号：C913 ? ?文献标志码：A ? ?文章编号：1001-862X（2020）03-0130-007
引 言
过去二十多年以来，新生传染病流行风险是全球公共卫生安全最大的挑战之一，尤其是新型流感病毒的不断暴发，给全球健康带来威胁。2003年的SARS，2004年的H5N1禽流感，2009年的H1N1甲型流感等疫情都曾在全球传播;2019年末新型冠状病毒（COVID-19）的大规模暴发对全球带来巨大冲击。众所周知，针对传染病防控，最重要的防护措施在于建立早期的预警监测机制，这是公共卫生计划的基本支柱。[1]自人类有传染病历史记录以来，公共卫生监测的概念已经历多个世纪的演化。按照国际卫生组织（WHO）的定义，公共卫生监测（Public health surveillance）是指不断地全面收集、分析，解释和传递与健康事件相关的数据信息，用于制定公共卫生行动，以减少发病率和死亡率，提高健康水平。[2]在传染病监测体系中，最重要的基础工作在于信息收集。在传统监测方式下，病情信息有一个从底层向顶层传递的过程，通过基层社区卫生机构逐步向上汇总，最后由官方机构进行确认发布。在此方式下，传染病的确定主要依赖实验室鉴定手段，属于事后的被动型监测。近几十年来，大部分国家开始建立起现代公共卫生综合监测体系，成立专业性的疾病防控机构，建立综合性的监测信息集成体系，将来自各方面的数据信息进行汇总，用于传染病流行分析。因此，数据来源成为疾病监测的关键因素。
在数字资源的利用上，分为正式和非正式两大类。[3]正式的信息来自正规机构渠道，例如基层社区，卫生防疫中心和医院、诊所等，这是目前大多数国家公共卫生监测依赖的基础。非正式的数字信息来源主要是指互联网条件下的大数据，来自于新闻媒体、互联网、社交媒体、邮件、订阅号以及与健康相关的各类社会信息来源，借助于大数据技术和人工智能，这些信息可以即时转化为用于疫情分析的情报，为决策提供参考。相比正规机构化的监测体系，大数据监测的主要优点在于信息量大，及时高效反映社会动态，从蛛丝马迹的征兆中发掘相关信息。
尽管我国在大数据技术和人工智能运用方面已处于全球前列，但大数据在公共卫生监测中的应用还比较滞后。从全球范围来看，近20多年来，作为一种辅助性的工具，大数据在许多国家公共卫生监测中的应用越来越广泛，为我国提供了很好的借鉴案例。
一、数据信息在公共卫生监测中的支柱地位
（一）公共卫生监测体系的历史演变
公共卫生监测是公共卫生安全体系的核心部分，是预防疾病发生的保障措施。“监测”（surveillance）一词来源于法语的“监视”（sur veiller），是指对个人或群体活动的持续密切的关注，用于指导、监督和控制。[1]并非所有的风险事件都可以被预测到或者避免发生（例如地震、自然灾害等），但提前的预防警示可减少发生概率，降低损失。因此，监测是公共卫生体系决策的支撑，也是有效管理应急事件的基础。人类发展史即是一部同传染性疾病不断抗争的历史。随着社会发展和科技进步，公共卫生监测概念不断演化，从早期的无意识，简单的隔离措施，到后来的数据统计，再到现代国家综合监控体系的形成，公共卫生监测经历了深刻的演变，自始至终最为核心的一个要素就是数据信息，它是进行疾病预防，做出公共卫生行动决策和资源分配的基础因素。
（二）信息学在公共卫生领域的兴起
卫生监测是一个数据处理的循环过程，分为三个阶段：一是建立数据收集的框架，包括数据的类型、范围、来源渠道和手段等;二是基于第一阶段收集的信息，对数据的分析、加工处理和解释过程;三是分析结果的发布和应用。[4]在传统方式下，卫生监测建立在强制报告制度的基础之上，来自基层社区卫生机构和实验室的信息逐级向上汇总。这种方式的主要局限在于：首先，早期病例的确定会有漏诊;其次，向上汇总和实验室的鉴定过程，具有时滞性，信息传递慢;再次，在疾病暴发时，基层卫生机构的负担加重，信息上报进一步延迟。为改变这种被动局面，自上世纪60年代计算机出现以来，各国开始将信息技术应用于公共卫生领域，该学科被称为公共卫生信息学（Public health informatics）。[5]进入1990年代，医疗、生物信息技术得到快速发展，互联网加快普及，信息技术深度介入公共卫生领域。
（三）大数据技术在公共卫生监测中的优势
过去几十年中，大数据广泛应用于各个商业领域，并渗透到公共卫生事业，其中貢献比较大的一个领域是全基因排序工程（Whole genome sequencing，WGS），通过病毒学和微生物学的数据分析技术，对传染病的病源和流行特征进行鉴定。相对传统监测方式下正式机构提供的信息来源，大数据有三个突出特征，即3V特点[6]：一是容量大（Volume）。来自于新闻媒体、互联网、社交媒体、平台、公众号、订阅号等“非正规”渠道的数据，可为公共卫生监测提供参考信息。这些信息资源容量巨大，有些数据库存量以千兆字节（109）或更高位数为单位进行计数。二是速度快（Velocity）。互联网下有各种形式的数据，包括数字、短消息、文档、图片、email、录音、视频以及来自手机移动端APP收集的信息等，即时发生，形成数据流快速传播，打破了传统方式下的碎片式分布。这些数据通过存续、链接、清洗、混合、转换、匹配等挖掘手段可即时加以整合利用。三是多样性（Variety）。大数据信息通常是非完美状态，真实性、稳定性和可靠性缺乏保障，且处于多变状态，未来预期得不到完全保障。
正是由于上述特征的存在，大数据在公共卫生监测中有广阔的前景：一是提高了监测信息的及时性和完整性。传统监测方式的两个重大缺陷是，信息传递时滞和缺乏准确的地理定位。来自于各种渠道的大数据能够提供基于个体对象的海量数据，这些信息更全面有效。二是开发大数据，可以帮助挖掘现有监测体系中未覆盖的信息和“隐藏”的人群（Hidden populations）。例如，互联网和社交媒体可以提供大量“难以发现群体”（“Hard-to-reach” populations）的活动信息和存在的风险因素。[7]三是有助于提高对新型传染病预警的灵敏度。为应对全球范围内各种新型流行性传染病的暴发，各国投入大量资金用于预防体系建设，其中最为重要的就是对出现疾病的早期预判，大数据工具可以帮助提供辅助渠道的信息，这些信息更加及时，可能发生于基层卫生机构诊断之前，也可能包括具体的地理位置信息，从而提高了预测的灵敏性。四是相比传统的数理统计方式，基于大数据的人工智能算法能更快处理数据，精确地通过模型对疾病传播方式和发生概率进行预测，从而提升疾病防控体系的管理水平。
二、全球主要公共卫生大数据来源和监测工具
从来源渠道上划分，主要有三类大数据可用于公共卫生监测：一类是直接数据，来自于电子设备的记录数据（例如电话、监控录像和卫星遥感技术），这些数据直接记录个人活动和住所等消息;第二类是自动生成数据，个人在使用移动手机，进行浏览网页，信用卡交易或柜台消费时，可自动生成一些电子数据;第三类是自愿性数据（Volunteered data），通过社交媒体和APP应用等公共平台，个人可主动参与提供信息，也可能成为“被动”的信息收集对象。[8]其他一些可用于公共卫生监测的信息还包括：医药数据、个人电子健康档案数据，以及来自社交网、旅行方式、疫苗接种和食品选择等方面的非健康类数据等。以下对目前国际上公共卫生监测中主要的大数据来源和应用工具进行介绍。
（一）新闻报道集合
新闻媒体报道是最主要的社会公共信息获取渠道之一，传统纸媒正逐步被电子化的新媒体所代替，为大数据的获取提供了便利。
1.GPHIN
加拿大全球公共卫生情报网（Global Public Health Intelligence Network，GPHIN）是全球知名的公共卫生信息网站，于1997年由加拿大公共卫生局开发。该系统具有网页搜索功能，对全球各地的即时通讯报道，公开报告和网站进行浏览，提取主题信息。该系统自动链接于各国的新闻媒体，覆盖3万多个新闻报道来源，每天可对2万多份报告进行评估，涵盖9种工作语言，网站每15分钟进行一次重复浏览，随后可在一分钟内完成报道的翻译和加工处理。系统监测的信息不仅包括食品、水污染、生物恐怖主义、自然灾害、化学品污染和核材料等与健康相关的信息，还包括运动、旅游和金融等方面。[9]该系统采用始终保持“警示状态”（state-of-the-art）的发掘技术，通过算法将数据集成，当监测到疾病暴发的信号时，由多学科、多语言技能的专业人员再对其进行人工核审，当证据充分时就启动警示。GPHIN网在2003年SARS暴发中起到了早期的预警作用，2012年在全球首次预警了中东呼吸综合征MERS-CoV病毒的发生。2014年基于抗病毒药品销量上升等信息，GPHIN网还预测了西非埃博拉Ebla病毒的发生。[10]
2.ProMED-Mail
ProMED-Mail是全球最早的一个传染病监测邮件体系，于1994年由国际传染病协会（International Society for Infectious Diseases）开发。该系统从公开新闻媒体、官方报告、网上摘要和当地调查等渠道，抓取有关公共健康领域的相关信息，由专家浏览和分析后，形成疾病监测报告再向外发布，包括英语、西班牙语、葡萄牙语、俄语和法语五种应用语言版本。[11]
3.HealthMap
健康地图（HealthMap）软件由哈佛大学主办，该软件与ProMED-Mail合作，双方进行数据共享。此外，它还与世界卫生组织（WHO）、地球哨兵（GeoSentinel）网、世界动物卫生组织（World Organization for Animal Health，OIE）、联合国粮农组织（Food and Agriculture Organization of the United Nations，FAO）等国际机构建立合作关系，获取全球卫生领域相关信息，利用Google地图等地理监测工具，对全球各地的健康信息变化进行追踪、汇總和过滤，形成9种语言版本的信息地图。[12]在2012年半年期间暴发的全球111次疾病流行中，该软件报告的平均速度比官方平均提前1.26天。在大部分流行疾病的报告中，HealthMap预测的信息内容与官方报告结果基本一致。[13]
基于新闻报道的监测工具面临的主要局限有：数据主要来源于一些媒体报道，很多报道是故事性的，聚焦于一些公众事件，哗众取宠，过于渲染。此外，媒体信息中通常缺乏关于个体年龄、性别等方面的具体特征数据。为弥补这方面的缺陷，近年来GPHIN网等平台开始着手将网络搜索、社交媒体、智能手机和其他一些公众平台的信息纳入探索范围。此外，目前这些搜索工具的运行还在一定程度上依赖人工干预，例如对重大事件的评估，对存续信息的处理等，人工智能算法在其中的应用还处于早期开发阶段。
（二）网络查询和公共论坛
个人浏览和查询网页时会留下痕迹，其中包含对健康信息的搜索，在网页上对特定健康主题的查询，用户在微博和论坛留下的消息等。在流感等传染病发生时，并不是所有生病的人都会去医院检查，部分人群可能会借助网络搜索寻求帮助，捕获这些数据有助于更加全面地反映流感发生状况。
在传染病预测上，全球广泛使用的一个搜索引擎工具是Google流感趋势（Google Flu Trends，GFT）。它创建于2008年，在30多个国家得到应用。该系统通过Google搜索，将公众查询疾病的相关信息进行分析和汇总，预测疾病发生概率。[14]在美国，GFT发布的流感信息报告数据通常要比国家疾病控制中心（CDC）的发布早两周;GFT曾准确预测了2007—2008年的流感暴发季和2009年H1N1流感的发生。随后几年中，GFT发布的数字通常要比官方数字高，在2013年1月的流感预测中甚至达到了官方数字的两倍，[15]这使其饱受争议，自2015年8月起GFT不再公布流感预测数据。实际上，GFT的建立初衷就是一个辅助工具，而非独立的预测工具。虽然搜索引擎的算法经常更新，但由于数据来源和参数的不确定性，很难准确地预测流感。因此，国际上通常将GFT视为辅助工具，与官方预测相互印证。此外，Google具有商业盈利模式，通常会基于客户的搜索行为偏好，为其推荐搜索排行。
除了搜索引擎外，一些特定网站也可收集统计信息。维基百科（Wikipedia）是常用的一个搜索网站，在北美地区是第一手的信息来源。该网站向外公布每小时的用户搜索历史数据，可通过文章观点、网页浏览和计数等方式加以汇总。网上公共论坛可以提供一些与食品安全和消费有关的健康信息。例如，国外常用的一家餐饮业评价工具是Yelp网站，网站上有顾客对各家餐馆的留言、打分和短消息等内容。
值得说明的是，不管是搜索引擎，还是网上论坛，提供的健康信息大部分是辅助性的。这些工具记录了用户的查询数据和网上评价，并不能代表用户实际已患病或出现症状，也不能反映患者实际就医和门诊情况，因此数据存在着瑕疵。在这种情况下，欧洲一些国家，例如比利时、葡萄牙、意大利等国，在大数据分析中加入了一些网上调查项目，例如，让公众在网上填写疾病症状、就医和用药等情况，以便更准确地分析疾病发生情况。
（三）社交媒体
社交媒体可以提供 “集合性情报”（Collective intelligence），辅助疾病预警。大型社交媒体平台可从海量非结构性文本中，提取疾病出现征兆，以及来自民间的警示声音，例如“吹哨人”信息。相应的主题主要集中在大众关心的食品安全、疫苗和公共卫生等领域。国际上常用的两个社交工具是Facebook和Twitter，Facebook的使用者以年轻人居多，而Twitter的主体为成年人。由于Facebook的用户较为稳定，长期使用，因而更适合一些与行为方式变化相关的慢性病分析。Twitter是一个类似于微博或公众号的网上发布平台，注册用户可张贴个人短消息;网站上的数据可通过公开的API（Application Programming Interface）方式来获取，允许第三方即时下载。[16]由于Twitter具有即时性、容量大等特点，可为预测传染病提供海量数据。例如，通过监测有关疾病或健康主题发布内容的空间分布、密度和联系网络等信息，可以预测集中性传染病暴发的可能性。此外，Twitter大数据还可用来分析人们的迁徙方式，例如在传染病暴发期间，通过跟踪个人地点的变化，可估计传染病的接触率数据。通常情况下，Twitter对地理位置的定位精确性可达十米以内。
社交媒体信息作为监测工具的价值在于，为政府机构和公共卫生专业人员提供参考信息。通过监测社交媒体数据，与正式机构的预测相结合，有助于更早更及时地发现疾病发生的信号。同时，政府还可利用社交媒体渠道，发布官方信息，开展公共卫生教育、防灾防疫、健康知识宣传等活动。在疾病暴发期间，社交媒体在辟谣、纠正错误认识和降低社会恐慌等方面发挥着重要作用。例如，在2011年日本大地震后，世界卫生组织多次利用Facebook和Twitter账号向全球发布消息，安慰民众并纠正一些错误的谣传，包括人们在饮用净化水和食用碘片等方面的误区。[17]2019年新冠肺炎发生后，世界卫生组织在网站上多次发布辟谣信息。
（四）医药档案及电子数据
来自药品销售、健康电子档案等方面的数据可以为流行病监测提供依据。药店的处方药和非处方药零售信息（例如感冒药、呼吸道药、肠道药、抗病毒药等）可在一定程度上反映疾病发生的变化。例如，英国已开始以非处方药销售记录作为监测季节性流感临时性特征的手段。
电子健康档案信息包括病历、保险索赔、医院收费记录、死亡证明等，也可为疾病监测提供附加信息。在美国，商业医疗保险非常发达，病人在填写保险索赔单时要提供详细的病史信息，这些数据汇总在一起，可帮助建立地方性流行疾病的分析模型。2007年马赛诸塞州（Massachusetts）建立ESPnet医疗网，政府部门可用电子档案信息开展即时的公共卫生监测。该系统根据数据库信息，自动生成传染病监测报告，用于政府健康管理部门的查询。[18]使用电子医疗档案进行疾病监测面临的最大挑战是涉及个人隐私问题，此外还有一些其他因素限制这种应用方式。例如，医疗档案信息更新不及时;个人可能在多家机构看病，购买有多个保险单的情况;禁止从私人保险公司购买医疗数据等等。
除了上述两种渠道，部分国家健康热线电话（Health Call-in Phone Lines）也是一种获取大健康数据的方式。例如，在英国国家衛生系统有一个健康电话服务项目，可以直拨国家服务部门，当收集到的与传染病相关的电话数据到达一定量时，就可以预警项目，提供给国家卫生实验部门进行鉴定。[19]
（五）其他健康大数据
除以上四类常见的来源渠道外，还有一些类型的电子数据在研究中被提及。一类是众包型健康记录（Crowd sourced Health Records）。一些企业和社会组织通过发起众创活动，收集志愿者的健康医疗信息进行共享，用于医疗卫生研究和健康监测等方面的公益目标。例如，patientslikeme.com网上论坛已有超过75万会员参加，病人可在网上分享疾病治疗方面的经验，并参加医疗机构的研究项目。[20]第二类是旷工、旷课记录等数据。在日本、加拿大等国家，中小学校学生的旷课记录也被纳入公共卫生监测指标，由学校将学生缺席上课的数据信息上报，卫生部门汇总后可监测到异常的公共卫生安全事件。第三类是地球测绘类数据。来自于地球环境或太空数据方面的协生变量，可帮助预测传染病发生概率。这些数据来自于地球观测项目，例如GIS和卫星遥感成像等，它们监测的信息包括降水量、温度、大气条件、土壤状况、植被、人口密度等，目前已被广泛应用一些媒介传播性（Vector-borne）疾病的监测，例如裂谷热、登革热、脑炎和寨卡病毒等流行病。[21]
三、对中国的几点借鉴
2019年末新冠肺炎疫情暴发以来，大数据技术在信息收集、疫情排查、人员筛选、病源追踪、资源调度等方面得到广泛运用，体现出强大的技术效率优势，成为应急状态下疫情管理的有效手段。2020年2月14日，习近平总书记在主持召开中央全面深化改革委员会第十二次会议上提出“完善重大疫情防控体制机制，健全国家公共卫生应急管理体系”的要求，指出“要鼓励运用大数据、人工智能、云计算等数字技术，在疫情监测分析、病毒溯源、防控救治、资源调配等方面更好发挥支撑作用”[22]，这为公共卫生监测体系的发展指明了方向。借鉴国际经验，针对加强大数据在我国公共卫生监测体系中的发展应用，提出如下建议：
（一）建立机构防控与大数据补充相结合的多层次监测体系
国际经验表明现代疾病监测是一个多层次体系，国家机构化的正式防控体系占主导地位，但也面臨着信息量不足和决策滞后的问题。在互联网科技迅速发展的背景下，大数据技术可以很好地弥补传统疾病监测体系的不足，成为有益的辅助手段。虽然目前健康大数据在公共卫生领域的应用还处于起步阶段，面临着信息质量不高、缺乏统一标准、智能技术不够成熟、使用权限和隐私保护等诸多方面的挑战，但其快速及时，容量巨大，来源渠道覆盖社会生活各个角落的优势，使其具有巨大的应用潜力。与国外相比，我国大数据技术产业有着后发优势，用户规模巨大，在许多互联网应用领域（例如移动支付和社交软件等）和信息技术（例如5G）发展上已处于领先地位。但相比起来，在公共卫生领域的大数据应用还比较滞后。例如，国际上开发有大量基于新闻报道、搜索引擎和社交媒体等渠道上的公共卫生监测工具，20多年来发展成效显著，而我国在这方面的应用工具还鲜为人知。2014年百度上线“疾病预测”，其信息来源除了查询数据之外，还用到了Google未用到的微博数据，以及“百度知道”中与疾病相关的提问数据。[23]除了探索引擎外，我国的微信、微博、公众号以及大量的社交媒体都有着巨大的用户规模，可挖掘海量的健康类大数据。我国智能手机普及，应用通讯、社交、搜索、地图、短视频、电商等各种功能都可以通过手机APP实现，电子支付、大众点评、移动通讯、铁路、航空等日常应用都已实现实名制，可获取用户定位、消费活动和行动轨迹等各方面的信息。同时，还可利用电子病历、电子健康档案、GIS、遥感技术等渠道作为补充信息。将以上大数据资源进行挖掘整合，用于公共卫生领域具有无限潜力。
（二）理顺信息化管理体制，实现大数据资源共享开发
公共卫生所依赖的大数据资源分布于各个社会领域，除了各级医疗卫生机构提供的基本信息外，还存在于工业交通、旅游、环保、食品监督、气象、教育科技、人口、公安和统计等各领域，渠道众多，内容丰富，如何实现共享至关重要。从美国、日本等国家公共卫生信息管理体系的发展趋势可发现，各国十分重视健康大数据信息的共享建设。例如，美国在2001年建立的国家疾病电子监测系统（NEDSS）实现了联邦各部门健康数据信息的共享;日本自上世纪90年代开始，就将国家防灾和防疫纳入一体化信息网络，建立了覆盖各层级的“国家传染病流行监测体系”（NESID）。长期以来，我国健康数据的信息化建设呈“碎片化”分布，各部门、各层级政府在信息管理体制上，存在数据库重复建设、标准格式不统一、保护过度等问题，造成数据使用的隔断和低效。2016年国家《“健康中国2030”规划纲要》提出“建设健康信息化服务体系”的目标[24];同年国务院出台的《关于促进和规范健康医疗大数据应用发展的指导意见》，指出“加快建设统一权威、互联互通的人口健康信息平台，推动健康医疗大数据资源共享开放”的目标[25];2018年国务院出台的《促进“互联网+医疗健康”发展的意见》进一步明确指出，“加快实现医疗健康信息互通共享，健全‘互联网+医疗健康标准体系”的改革措施[26]。这次新冠肺炎疫情的发生进一步彰显了建立国家健康大数据共享平台的重要性。为此，可借鉴相关国际经验，在我国现有的疾病防控信息系统之上，建立国家健康大数据的调度与归集平台，打通各部门各层级的数据链接，实现资源共享，并结合大数据技术，建立起传染病动态自动预警模型，实现对传染病发生的早期智能预警。
（三）加强大数据技术创新，增强其在公共卫生监测中的应用性
以人工智能分析为基础的大数据技术引领了各国科技竞争的大趋势。目前，在公共卫生监测领域大数据技术还处于起步期，对疾病预警所起的作用非常有限。一个重要的原因就在于技术体系不成熟，主要体现在以下两方面：一是数据处理和分析技术薄弱。面对海量的大数据，数据的搜索、录入、分类、清洗、标准化处理以及输出的可视化等技术都是复杂的，处理过程中需要建立大量的分析模型和软件工具，这些分析方法库、挖掘算法和模型库本身就是“另一类”大数据[27]，人工智能技术在这些领域的应用仍需大幅改进。二是预测结果的错误信号风险。大数据来源的多样性和不稳定性，通常需要人工甄别机制进行干预;同时，目前大部分模拟算法基于的原理是，根据假设条件对未来趋势进行推导，结论的有效性取决于如何去除潜在的干扰性因素，由于数据的“非完美性”，预测结果的准确性受大量随机性风险因素的影响。错误的预测结论会影响到实际决策，并可能通过社交媒体进行传播，引致社会恐慌。这是目前大数据预测面临的一个主要挑战，即大部分预测是参考性的，权威性不足。加强技术创新，应给予互联网科技企业更多的政策扶持，并在大数据的开放共享和使用授权等方面，创造更便利的环境条件。
（四）完善法律监管体系，引导大数据产业健康安全发展
大数据作为一个新兴产业，实践日新月异，但相应的监管法规政策仍然滞后。一是相关监管法规制度少，关于数据隐私保护和数据安全等方面的保护措施不足;同时，数据授权使用管理制度不健全，开放共享不够，限制了可用的数据来源。二是数据格式不统一，缺乏国家标准体系，影响到共享使用。三是对大数据产业的监管不到位，不当商业竞争可能带来社会负面影响。例如，2016年百度医疗广告中的莆田系医院排名事件，曾影响到互联网行业的公共声誉。针对这些情况，加快完善健康医疗领域的立法和监管政策非常迫切。此次新冠肺炎疫情发生后，党中央提出“强化公共卫生法治保障，全面加强和完善公共卫生领域相关法律法规建设”的要求[22]。以此次立法改革为契机，有必要进一步强化传染病预警方面的法律保障，加快完善健康大数据方面的法律法规，建立数据信息开放、媒体与互联网管理制度，加强数据社会共享的支撑服务和安全保障，促进大数据产业的健康持续发展。
参考文献：
[1]Brachman P.S.Chapter 2.Public health surveillance[M].in Bacterial Infections of Humans：Epidemiology and Control，P.S.Brachman and E.Abrutyn，Eds.，Springer，New York，NY，USA，2009.
[2]Thacker S.B，Berkelman R.L.Public health surveillance in the United States[J].Epidemiol.Review，1988，（10）：164-190.
[3]TELL ME project .Digital Resources for Disease Detection[EB/OL]，https：//www.tellmeproject.eu/sites/default/files/137730435-D2-6-Digital-Resources-for-Disease-Detection.pdf.
[4]Cheryl Waldner.Big Data for Infectious Diseases Surveillance and the Potential Contribution to the Investigation of Foodborne Disease in Canada：An Overview and Discussion Paper[R].https：//nccid.ca/publications/big-data-for-infectious-diseases-surveillance/ .
[5]The Centers for Disease Control and Prevention （CDC） of the United States.Introduction to Public Health Informatics[EB/OL].https：//www.cdc.gov/publichealth101/informatics.html.
[6]Cheryl Waldner.Big Data for Infectious Diseases Surveillance and the Potential Contribution to the Investigation of Foodborne Disease in Canada：An Overview and Discussion Paper[R].https：//nccid.ca/publications/big-data-for-infectious-diseases-surveillance/ .
[7]Pisani A，Wyman P，Mohr D，Perrino T，Gallo C，Villamar J.Human subjects protection and technology in prevention science：selected opportunities and challenges[J].Preview Sciences，2017，（6）：765-778.
[8]Jonathan Cinnamon，Sarah K Jones，W Neil Adger.Evidence and future potential of mobile phone data for disease disaster management[R].Geoforum，2016，75：253-264.
[9]GPHIN.About GPHIN[EB/OL].https：//gphin.canada.ca/cepr/aboutgphin-rmispenbref.jsp？language=en_CA.
[10]Dion M，AbdelMalik P，Mawudeku A.Big data and the global public health intelligence network （GPHIN）[J].Canada Communicable Disease Report，2015，41（9）：209-214.
[11]ProMED-Mail.About ProMED[EB/OL].https：//promedmail.org
[12]HealthMap.About HealthMap[EB/OL].https：//healthmap.org/zh/.
[13]Bahk CY，Scales DA，Mekaru SR，Brownstein JS，Freifeld CC.Comparing timeliness，content，and disease severity of formal and informal source outbreak reporting[J].BMC Infect Disease，2015，（15）：135.
[14]GFT.Google Flu Trends[EB/OL].www.google.org/flutrends/about/.
[15]Davidson M W，Haim D A，Radin J M.Using Networks to Combine “Big Data” and Traditional Surveillance to Improve Influenza Predictions[J].Scientific Reports，2015，（5）：8154.
[16]Salathé M.Digital pharmacovigilance and disease surveillance：combining traditional and big-data systems for better public health[J].Journal of Infectious Diseases，2016，214（4）：S399-403.
[17]OECD.OECD Reviews of Public Health：Japan A Healthier Tomorrow[R].https：//www.oecd-ilibrary.org/social-issues-migration-health/oecd-reviews-of-public-health-japan_9789264311602-en.
[18]Curtis L，Brown J，Platt R.Four health data networks illustrate the potential for a shared national multipurpose big-data network[J].Health Affairs （Millwood）.2014，33（7）：1178-1186.
[19]Loveridge P，Cooper D，Elliot A，Harris J，Gray J，Large S，et al.Vomiting calls to NHS Direct provide an early warning of norovirus outbreaks in hospitals[J].Journal of Hospital Infection，2010 ，74（4）：385-393.
[20]PatientsLikeMe.Symptoms[EB/OL].https：//www.patientslikeme.com/research/dataforgood.
[21]Nicholas A S Hamm，Ricardo J Soares Magalh？觔es，Archie C A Clements.Earth observation，spatial data quality，and neglected tropical diseases[J].PLoS Neglected Tropical Diseases，2015，9（12）：e0004164.
[22]新華网.习近平主持召开中央全面深化改革委员会第十二次会议强调完善重大疫情防控体制机制 健全国家公共卫生应急管理体系[EB/OL].2020年02月14日，http：//www.xinhuanet.com/politics/leaders/2020-02/14/c_1125576323.htm.
[23]百度百科.百度预测[EB/OL].https：//baike.baidu.com/item/百度预测.
[24]中华人共和国中央人民政府网.“健康中国2030”规划纲要（国发〔2019〕13号）[EB/OL].2016年10月25日，http：//www.gov.cn/zhengce/2016-10/25/content_5124174.htm.
[25]中华人共和国中央人民政府网.国务院办公厅关于促进和规范健康医疗大数据应用发展的指导意见国办发〔2016〕47号[EB/OL].2016年06月24日，http：//www.gov.cn/zhengce/content/2016-06/24/content_5085091.htm.
[26]中华人共和国中央人民政府网.促进“互联网+医疗健康”发展的意见国办发〔2018〕26号[EB/OL].2018年04月28日，http：//www.gov.cn/zhengce/content/2018-04/28/content_5286645.htm.
[27]Liu S，Poccia S，Candan KS，Chowell G，Sapino ML.epiDMS：Data management and analytics for decision-making from epidemic spread simulation ensembles.Journal of Infectious Diseases.2016，214（4）：S427-432.
（责任编辑 焦德武）
最新评论