人工智能在传染病监测领域的发展

弗罗伦斯·南丁格尔创新地提出“玫瑰图”概念，用于统计可预防的死亡人数，通过数据驱动的疾病监测方式就得到了革命性的发展1。克里米亚战争期间收集的医院死亡率原始数据被转换为无法反驳的直观图形——恶劣卫生条件导致的死亡人数超过了战争创伤导致的死亡人数。这种将带噪复杂数据汇总成简洁有效信息的方法为英国皇家委员会追踪发病率和死亡率奠定了基础，从而开启了应用数据分析方法更好地监测和管理传染病的新时代。自南丁格尔首次发布玫瑰图以来的160多年间，用于转换高维度数据和揭示隐藏模式，进而提供公共卫生解决方案的工具和技术不断发展。人工技术现在又有了机器学习算法作为补充。人工智能（AI）工具现在可以识别错综复杂且之前不可见的数据结构，并为老问题提供新解决方案。这些进步共同推动传染病监测工作向前发展。

COVID-19疫情凸显出传染病全球传播和肆虐的速度，以及通过敏锐、快速、智能的公共卫生工具对抗上述影响的极端重要性。在这场危机中，我们目睹了为发挥上述作用而部署的众多AI解决方案，其中一些方案相较其他方案取得了更大成功。新出现的病原体和再出现的原有挑战引起了我们的关注，当务之急是将经验教训纳入我们的公共卫生行动手册。在这篇综述中，我们反思了新出现的和已长期使用的AI解决方案对传染病监测发挥的作用。AI应用已被证明可成功实现多种功能，包括预警系统2,3、热点检测4,5、流行病学追踪和预测6,7以及资源分配8（图1）。本文通过近期的几个范例9,11,12，首先讨论AI和机器学习如何为预警工具提供动力，并帮助区分流行的不同病原体（如SARS-CoV-2 vs. 流感病毒）。之后讨论可以回溯流行病源头的AI和机器学习工具，以及可以指导我们高效应对当前流行病的算法。最后强调AI和机器学习在公共卫生监测方面的关键局限性，并讨论未来改进其应用效果的重要考虑因素。

图1. AI在传染病监测中的各种功能

图中列举了AI辅助传染病监测的部分功能，以及已发表的代表性文献2-13。每个范例包括AI算法的类型、目的简介及相关引用文献。COVID-19表示2019冠状病毒病。

AI在疾病监测中的应用

---

预警

疾病监测的预警系统因AI算法与分析方法的结合而受益匪浅14-16。在某些特定时期，网络上会充斥着以新闻文章、新闻稿、专业讨论区和及他精选信息片段形式出现的疾病报告。这些验证过的信息涵盖甚广，从全球众所周知的无危害感染，到可能具有大流行风险的新发病原体首发报告。然而，这些报告的数量和分布性质提供了太多信息，即使是训练有素的专业人员也难以迅速做出判断，因此对新出现的病原体做出预警几乎是不可能的。此时经过AI训练的算法登场，这些算法能够以前所未有的速度和高准确度解析、过滤、分类和聚合文本，从而发现传染病事件信号。HealthMap是此类系统的一个例子，它已经成功运行十多年2,17。这一基于互联网的传染病监测系统提供了墨西哥出现甲型H1N1流感的早期证据18，并用于追踪2019年在美国暴发的电子烟所致肺病19。

HealthMap使用自然语言处理方法搜索网络上发布的文本，并将文本与已知病原体和地理区域词典进行比较，通过这一方式实时寻找传染病事件信号。算法经过训练，可忽略噪声，并通过识别疾病相关文本（如病原体名称和发病率数字）来解析相关报告（图2）。之后，HealthMap使用贝叶斯机器学习分类方案（最初训练该分类方案时，使用的是手动标记为相关的数据）从其他疾病报告（如科学文稿和疫苗接种计划）中分离出与疾病暴发相关的噪声。HealthMap还可自动提取地理信息，通过这些信息可将多份报告联系在一起，并且识别跨辖区公共卫生机构可能遗漏的疾病聚集。HealthMap使用的是不断扩充的词典，其中包含超过九种语言的文本。这凸显出相对于需要大量人力的连续人工分类法，AI在疾病监测方面的一个关键优势：同时具备全球覆盖和超本地化态势感知能力。例如通过这一动态架构，HealthMap在2019年12月30日便发出“不明病因肺炎病例聚集”警告4,20。

图2. HealthMap使用自然语言处理方法分类传染病病例报告的范例

HealthMap的自然语言处理引擎可解析文本报告，并可提取病原体名称、地点和病例数等信息。它还可通过上下文信息识别可能与个例报告无关的数据。之后，该引擎将一个地理区域（上述假设范例中为华盛顿州）的多份报告合并，这样可以追踪随时间变化的疾病发病率，并且比传统监测方法更早发现病例激增。

病原体分类

发现可能的疾病暴发之后，对致病原因的认知是采取有效公共卫生措施的前提。相似症状模式可由不同病原体引起，甚至由其他非传染性原因引起21。AI已在多个领域推动了诊断分类的进步22，包括神经影像学（如改进阿尔茨海默病的诊断测试23）和肿瘤学（如检测乳腺癌24）。当前的传染病监测方法同样运用AI来区分不同病原体或识别具有令人担忧特征的变异株。通过定义疾病暴发的病理特征，公共卫生机构可采取相应的应对措施（如当一个地区流感病例增加时，确保有充足的奥司他韦）。相反，依赖简单的症状定义可能导致对疾病暴发的误判，特别是当不同病原体具有相同症状和传播途径时。例如，基于“新冠样疾病”综合征定义提示加拿大出现一波COVID-19假象，而病原证据却指向了由肠病毒或鼻病毒等季节性病毒引起的流行21。

最近一个AI用于确定抗生素耐药性的例子凸显出AI驱动的图像分类工具在辅助监测方面的强大功能。Kirby–Bauer纸片扩散法药敏试验是一种简单且低成本的技术，方法是将含抗生素纸片放入培养细菌的培养皿中，根据纸片周围抑菌圈直径来确定细菌对药物敏感性9。然而，结果测量质量取决于用户，可能导致对细菌敏感性或耐药性的误判，而这一错误可影响个体患者的治疗方案选择和流行病学监测能力。最先进实验室使用自动仪器解决这一问题，但这种解决方案成本很高，不适合预算较少的实验室。

无国界医生组织支持的一组研究人员试图运用AI来解决这一问题（图3）。他们设计了一个手机应用程序，该应用程序通过手机摄像头和机器学习算法确定细菌的抗生素敏感性，而且该方法易于扩大使用规模9。第一步，该应用程序通过一系列图像处理算法来关注纸片，确定抗生素类型，并通过量化每个纸片周围的像素密度来测量抑菌圈。第二步，为了将测得的生长模式转化为关于细菌对每个抗生素纸片的总体耐药性决策，应用程序使用了AI驱动的“专家系统”，该系统是基于专家知识库的一组设定好的启发式规则，用于模拟人类决策。该分类是结合用户验证程序获得，并且结果可自动发送给国际机构，如世界卫生组织（WHO）的全球抗微生物药物耐药性监测系统（Global Antimicrobial Resistance Surveillance System）。因此，使用AI扩展个体医师对于细菌的评估手段可增强我们对全球抗生素耐药性的追踪能力，继而产生深远影响。

图3. 应用AI测量抗生素敏感性的手机应用程序范例

Pascucci及其同事9开发的手机应用程序可通过机器学习和AI分类细菌对各种抗生素的敏感性。图A显示图像采集设置，图B显示手机应用程序。该应用程序的设计目的是读取Kirby-Bauer纸片扩散法药敏试验（首先使用机器学习和图像处理技术，之后通过AI驱动的“专家系统”整理结果）。手机应用程序可在资源有限的环境下进行高质量读取，并将结果发送到全球抗微生物药物耐药性监测系统。

源头识别

发现疾病暴发后，下一步是通过追踪和切断传播途径来阻止疾病暴发。对于基于医院的疾病暴发检测，通过时空聚类和接触者追踪进行的传染病追踪可手动进行，以确定干预目标25。该方法尽管通常有效，但需要投入大量人力，并且可能涉及大规模图表检查、随机环境采样和深入访谈。全基因组监测序列的遗传相似性也可在临床病例之间建立关联。但该方法无法识别传染源，而且即使结合传统的基于医院的疾病暴发检测，它可能也无法识别复杂的传播模式，而这些知识正是指导干预所必需的。

在过去数年间，美国匹兹堡大学一组研究人员将机器学习层引入了全基因组监测，并创建了疾病暴发源头识别系统，即医疗相关疾病传播的增强检测系统（Enhanced Detection System for Healthcare-Associated Transmission，EDS-HAT）12。EDS-HAT的工作原理是将全基因组监测测序和机器学习相结合，自动挖掘患者的电子医疗记录（EMR），在其中寻找与疾病暴发相关的数据。该算法是通过病例-对照方法进行训练，病例-对照方法解析在同一次疾病暴发中发生感染的患者EMR数据（病例）和医院其他患者的EMR数据（对照，用于确定暴露关联性的基线水平）。这一学习形式可指导算法识别具有关联感染的病例之间的EMR相似性（如操作、临床医师和病房）。基于EDS-HAT对EMR与全基因组测序相结合的实时机器学习，可以在九个研究地点预防高达40%的医院传播感染，并节省潜在开销25。

在实践中，EDS-HAT算法将隐藏在EMR数据中的相似性作为线索，已识别出多起原本未发现的疾病暴发。需要指出的是，它检测出了具有隐匿传播模式的疾病暴发，例如医院两个不同病房的两例患者发生的耐甲氧西林金黄色葡萄球菌感染，原因是两例患者均接受了床旁脑电图监测。两例患者的感染培养日期相隔8天，因此传统方法很难发现其中的关联，而EDS-HAT却发现了这一关联，因为由同一名技术人员在同一天对两例患者进行了脑电图监测。在另一个例子中，一家医院多个病房的6例患者在7个月中暴发铜绿假单胞菌感染，由于这些患者在时间和空间上都相隔甚远，此次疾病暴发的源头被遗漏。基因组监测提示，这些病例全部有关联，机器学习算法则发现一个受污染胃镜可能是疾病暴发的源头，而这是一个很容易干预的目标。在这一情况下，通过运行实时AI算法检测出了传统方法遗漏的感染源头，可以早期诊断疾病、预防感染、大幅减少潜在疾病并节约成本。

风险评估

对于广泛传播的传染病，例如在大流行期间，通过单一源头完全消除传染病是不太可能的。在这些情况下，疫苗接种26、接触者追踪27和非药物干预措施（如限制活动28和佩戴口罩29）可减少疾病传播。AI和机器学习技术已被广泛纳入这些应用，尤其是在COVID-19疫情期间。例如，在中国广泛使用的手机应用程序（支付宝和微信）中嵌入健康码，实时评估公共场所的疾病传播风险，并可连接到AI驱动的医疗聊天机器人，这些机器人可回答与健康有关的问题30。在希腊，政府引入了Eva，这是一个在希腊边境对旅行者进行新冠筛查的AI算法。该算法识别出的无症状感染者数量是根据流行病学指标（即对来自人均病例数或死亡数高的国家或者来自阳性率高的国家的人员进行检测）识别出的无症状感染者数量的1.25~1.45倍11。

Eva通过强化学习方法（图4）确定需进行核酸检测的旅行者11。该算法不依赖人群流行病学指标，而是根据旅行者所来自的国家、年龄、性别和入境时间将他们分类。来自Eva的近期检测结果被反馈到系统中，系统根据旅行者所属类别的近期患病率分配其接受新冠检测。系统通过接收来自高危旅行者（匿名）的最新检测结果和无近期患病率数据的旅行者类别的探索性结果持续学习。通过持续学习，该算法可以更好地分配希腊有限的检测资源，同时比其他策略识别出更多病例。Eva具有AI的一个关键优势，该优势胜过了性能最好的传统监测模型，即可以在无需专门干预的情况下不断适应和改进。

图4. 通过强化学习方法进行边境COVID-19监测范例

Eva是一个强化学习系统，希腊在边境应用其分配有限的COVID-19检测资源11。该算法根据旅行者信息将其分配到不同风险类别，并相应分配聚合酶链反应（PCR）检测。每个类别的风险估计值定期更新，以纳入来自最近一批检测结果的新信息。Eva还可根据风险和现有检测资源设定检测的截断值，并且确定每个风险类别的COVID-19患病率估计值。匿名化指的是去除个人身份信息，代之以其他标识方法。

扩展应用

---

我们只列举了AI推进传染病监测的几个例子。图1概述了该学科的各种功能和应用范例，但由于这是一个不断发展的领域，因此我们无法列出现有全部项目。图5举例说明了在假设的呼吸系统疾病暴发期间，如何部署现有和新兴AI和机器学习辅助工具，以改进多个时间点的监测，这一工具在每一步都通过原本难以解读的多维数据提出了有意义的见解。与传统公共卫生监测和非传统参与式监测这两种人工监测系统相比，使用这些AI-机器学习方法（这里分为监督分类法或人工神经网络）有一些优点和缺点。

疾病暴发开始时，智能手表和智能戒指等穿戴设备可检测到早期信号，这些设备可在明显症状出现之前通过亚临床变化（如静息心率加快）发现感染（图5）31。人群中的信号聚集可提醒公共卫生官员即将出现疾病暴发。同样，随着疾程进展，AI方法可根据众多有症状者所在地点4或就医地点32确定疾病暴发的热点地区。这些方法还可根据个人在网上发布的信息，在社交媒体上挖掘病例；研究证明这些病例数与政府报告的病例数同步33。公共卫生官员可利用AI被动监测非药物干预措施的依从性。例如，闭路电视和图像识别算法可用于监测口罩佩戴情况34，个人行动的隐私保护措施可用于量化人群流动和社交距离35。这些AI驱动的方法为传统公共卫生监测（非常准确，但延迟严重）和参与式监测（实时提出见解，但不像传统报告那样经过证实）等人工方法提供了补充36。

图5. AI和机器学习将个人行为转化为人群健康信息

多种（未列举全部）AI和机器学习算法（此处分成监督分类算法或人工神经网络）及人工方法可在假设的呼吸道病毒暴发中应用。个体事件汇总之后，可产生信号，提示人群可能发生传染病。检测到的信号用于确定可采取的监测措施。每种方法各有优缺点，相互结合之后，这些算法构成了检测和应对疾病暴发的系统。CCTV表示闭路电视。

监测工作的障碍和未来方向

---

数据的质和量

大量低延迟数据在改进传染病监测方面发挥了很大作用，但缺口依然存在，有些漏洞仍未被发现。 “大数据傲慢”（Big data hubris）提醒我们，即使是最准确AI训练的传染病监测系统也可能导致过拟合（即因为过于针对特定数据而产生无法泛化的预测结果），因此应该用于补充而不是取代高质量传统监测方法37。缺乏分子检测作为补充的疾病追踪系统可能无法理清同时流行且具有相似临床表现的传染病21，但机器分类系统可能可以改进人类直觉判断。此外，在病原体新变异株出现时以及外生变量（如疫苗接种）改变症状表现和受影响的人口统计特征时，以监测COVID-19等疾病为目的设计的AI算法需要频繁进行重新校准38,39。这些系统可能会发出假警报，或者在有噪声的情况下无法捕捉重要信号。此外，应用低质量数据训练的机器学习算法不会产生附加价值，某些情况下甚至有害。

数据源的代表性

尽管我们已经在提高监测系统精密度和准确度方面取得巨大技术进步，但在这些系统所基于的大部分数据库中，特定人群都存在结构性代表不足的问题40。尽管组合模型可减轻单个监测流的方法学失真，但它们不能调整不明比例的系统性选择偏倚。最近对美国COVID-19死亡率数据进行的分析提示，监测数据库中缺乏正确编码的种族信息，这导致黑种人和西班牙语裔之间的死亡率差异被少报了高达60% 41。这既是伦理道德问题，也是方法学问题。由此导致的信号失真意味着，如果使用这些不完整数据集或未纳入患者所报告种族的数据集训练AI算法，将重现不平等，并低估缩小结局差异所需的资源42。

在另一个例子中，研究人员使用将儿童胸片作为对照组的数据库训练在广泛人群中诊断COVID-19的图像分类算法43。尽管这些算法的性能良好，但它们只是区分了成人和儿童，而未能识别出COVID-19患者。意大利帕多瓦大学的研究人员揭示了这一错误的程度，他们报告说，从图像上完全删除肺部区域之后，仍然可以预测数据来自哪个数据库44。这个例子中的错误以及上文中少报的黑人和西班牙裔死亡率数据说明，如果公共卫生监测系统使用AI和机器学习取代选择样本时的包容性、代表性和批判性评估，可能会得出貌似精确但实际并不正确的结论45。

隐私

随着监测模型纳入来自“数字废气”（digital exhaust，即与数字世界互动的人所产生的无关数据）、互联健康设备和可穿戴技术等的数据流，个人隐私问题变得日益重要46,47。必须仔细权衡以下三方面：为推动研究而提出的对高质量开放数据的需求48、AI工具侵入性以及个人隐私需求。

虽然公共卫生事宜和个人数据权利之间的权衡方法反映的是人群需求和监测目标，但必须考虑使用AI驱动的隐私保护技术。其中一种技术是联邦学习（Federated learning），该技术最近被用于一项通过智能手机进行的传染病监测研究49。联邦学习将分布式模型引入每名参与者的个人数据和设备中，在本地执行计算，然后使用这些模型迭代更新集中式模型。因此，参与者数据从未离开自己的设备，这样参与者即可为监测项目做出贡献，又无需冒与集中存储数据相关的隐私风险47。

AI的极限

传染病传播是一个超本地化问题，也是国际关注的问题。COVID-19疫情表明，病原体无关国界，而看似无关紧要的事件可能会产生深远后果（例如2020年2月在波斯顿举行的渤健公司会议是数十万例感染的源头50）。尽管技术成就将不断改进我们的监测设施，但未来仍有可能出现疾病暴发。AI不能取代跨辖区和跨职能部门协调，而彼此协调对于抗击新发疾病所需的集体智慧至关重要。为了做好应对下一次疾病大流行的准备，我们需要通过合作监测网络持续监测地方病，这些监测网络如位于德国柏林的WHO大流行病和流行病情报中心（WHO Hub for Pandemic and Epidemic Intelligence）、疾病暴发预测和分析中心（Center for Forecasting and Outbreak Analytics，近期由美国疾病控制和预防中心启动）、洛克菲勒基金会疾病大流行预防研究所（Pandemic Prevention Institute）、全非洲大陆的区域综合监测和实验室网络（Integrated Surveillance and Laboratory Network）以及许多其他监测网络。这些组织将运用AI来增强其模型，但如果部署过程中缺乏国际合作，他们都将收获甚微。

传染病监测工作的未来将运用新兴技术形式，包括不限于生物传感器、量子计算和增强智能。大型语言模型的最新进展（如GPT-4 [基于转换器的生成式预训练模型]）为传染病监测工作的未来展现出广阔前景，因为这些模型可以处理和分析大量非结构化文本，并且可能增强我们简化劳动密集型流程和发现隐藏趋势的能力。那些尚未发明的新技术也必将在未来有所作为。然而，在COVID-19疫情期间，我们的现有方法受到了考验，而它们的性能差异很大。AI驱动的下一代监测工具要取得成功，很大程度上将取决于我们是否有能力解决当前算法的缺点、判断哪些成就可以推广，以及将许多经验教训融入未来行动。

作者信息

John S. Brownstein, Ph.D., Benjamin Rader, M.P.H., Christina M. Astley, M.D., Sc.D., and Huaiyu Tian, Ph.D.
From the Computational Epidemiology Laboratory (J.S.B., B.R., C.M.A.) and the Division of Endocrinology (C.M.A.), Boston Children's Hospital, Harvard Medical School (J.S.B., C.M.A.), and Boston University School of Public Health (B.R.), Boston, and the Broad Institute of MIT and Harvard, Cambridge (C.M.A.) — all in Massachusetts; and the State Key Laboratory of Remote Sensing Science and Center for Global Change and Public Health, Beijing Normal University, Beijing (H.T.). Dr. Brownstein can be contacted at [e-mail] or at Boston Children's Hospital, 300 Longwood Ave., BCH3125 Bldg., Boston, MA 02115.

参考文献

1. Brasseur L. Florence Nightingale's visual rhetoric in the rose diagrams. Tech Commun Q 2005;14:161-182.

2. Freifeld CC, Mandl KD, Reis BY, Brownstein JS. HealthMap: global infectious disease monitoring through automated classification and visualization of Internet media reports. J Am Med Inform Assoc 2008;15:150-157.

3. Lim S, Tucker CS, Kumara S. An unsupervised machine learning model for discovering latent infectious diseases using social media data. J Biomed Inform 2017;66:82-94.

4. Al Hossain F, Lover AA, Corey GA, Reich NG, Rahman T. FluSense: a contactless syndromic surveillance platform for influenza-like illness in hospital waiting areas. Proc ACM Interact Mob Wearable Ubiquitous Technol 2020;4:1-28.

5. Mollalo A, Mao L, Rashidi P, Glass GE. A GIS-based artificial neural network model for spatial distribution of tuberculosis across the continental United States. Int J Environ Res Public Health 2019;16:157-157.

6. Reich NG, McGowan CJ, Yamana TK, et al. Accuracy of real-time multi-model ensemble forecasts for seasonal influenza in the U.S. PLoS Comput Biol 2019;15(11):e1007486-e1007486.

7. Liu D, Clemente L, Poirier C, et al. Real-time forecasting of the COVID-19 outbreak in chinese provinces: machine learning approach using novel digital data and estimates from mechanistic models. J Med Internet Res 2020;22(8):e20285-e20285.

8. Dantas LF, Peres IT, Bastos LSL, et al. App-based symptom tracking to optimize SARS-CoV-2 testing strategy using machine learning. PLoS One 2021;16(3):e0248920-e0248920.

9. Pascucci M, Royer G, Adamek J, et al. AI-based mobile application to fight antibiotic resistance. Nat Commun 2021;12:1173-1173.

10. Liang Z, Powell A, Ersoy I, et al. CNN-based image analysis for malaria diagnosis. In: Proceedings and Abstracts of the 2016 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), December 15–18, 2016. Shenzhen, China: Institute of Electrical and Electronics Engineers, 2016.

11. Bastani H, Drakopoulos K, Gupta V, et al. Efficient and targeted COVID-19 border testing via reinforcement learning. Nature 2021;599:108-113.

12. Sundermann AJ, Chen J, Kumar P, et al. Whole genome sequencing surveillance and machine learning of the electronic health record for enhanced healthcare outbreak detection. Clin Infect Dis 2021 November 17 (Epub ahead of print).

13. Randhawa GS, Soltysiak MPM, El Roz H, de Souza CPE, Hill KA, Kari L. Machine learning using intrinsic genomic signatures for rapid classification of novel pathogens: COVID-19 case study. PLoS One 2020;15(4):e0232391-e0232391.

14. Cho A. AI systems aim to sniff out coronavirus outbreaks. Science 2020;368:810-811.

15. Alavi A, Bogu GK, Wang M, et al. Real-time alerting system for COVID-19 and other stress events using wearable data. Nat Med 2022;28:175-184.

16. Brownstein JS, Freifeld CC, Reis BY, Mandl KD. Surveillance Sans Frontières: internet-based emerging infectious disease intelligence and the HealthMap project. PLoS Med 2008;5(7):e151-e151.

17. Brownstein JS, Freifeld CC, Madoff LC. Digital disease detection — harnessing the Web for public health surveillance. N Engl J Med 2009;360:2153-2155.

18. Brownstein JS, Freifeld CC, Madoff LC. Influenza A (H1N1) virus, 2009 — online monitoring. N Engl J Med 2009;360:2156-2156.

19. Hswen Y, Brownstein JS. Real-time digital surveillance of vaping-induced pulmonary disease. N Engl J Med 2019;381:1778-1780.

20. Bhatia S, Lassmann B, Cohn E, et al. Using digital surveillance tools for near real-time mapping of the risk of infectious disease spread. NPJ Digit Med 2021;4:73-73.

21. Maharaj AS, Parker J, Hopkins JP, et al. The effect of seasonal respiratory virus transmission on syndromic surveillance for COVID-19 in Ontario, Canada. Lancet Infect Dis 2021;21:593-594.

22. Yu K-H, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng 2018;2:719-731.

23. Punjabi A, Martersteck A, Wang Y, Parrish TB, Katsaggelos AK; Alzheimer's Disease Neuroimaging Initiative. Neuroimaging modality fusion in Alzheimer's classification using convolutional neural networks. PLoS One 2019;14(12):e0225759-e0225759.

24. Kim H-E, Kim HH, Han B-K, et al. Changes in cancer detection and false-positive recall in mammography using artificial intelligence: a retrospective, multireader study. Lancet Digit Health 2020;2(3):e138-e148.

25. Sundermann AJ, Miller JK, Marsh JW, et al. Automated data mining of the electronic health record for investigation of healthcare-associated outbreaks. Infect Control Hosp Epidemiol 2019;40:314-319.

26. Greenwood B. The contribution of vaccination to global health: past, present and future. Philos Trans R Soc Lond B Biol Sci 2014;369:20130433-20130433.

27. Cui X, Zhao L, Zhou Y, et al. Transmission dynamics and the effects of non-pharmaceutical interventions in the COVID-19 outbreak resurged in Beijing, China: a descriptive and modelling study. BMJ Open 2021;11(9):e047227-e047227.

28. Tian H, Liu Y, Li Y, et al. An investigation of transmission control measures during the first 50 days of the COVID-19 epidemic in China. Science 2020;368:638-642.

29. Rader B, White LF, Burns MR, et al. Mask-wearing and control of SARS-CoV-2 transmission in the USA: a cross-sectional study. Lancet Digit Health 2021;3(3):e148-e157.

30. Wu J, Xie X, Yang L, et al. Mobile health technology combats COVID-19 in China. J Infect 2021;82:159-198.

31. Gadaleta M, Radin JM, Baca-Motes K, et al. Passive detection of COVID-19 with wearable sensors and explainable machine learning algorithms. NPJ Digit Med 2021;4:166-166.

32. Guo P, Zhang J, Wang L, et al. Monitoring seasonal influenza epidemics by using internet search data with an ensemble penalized regression model. Sci Rep 2017;7:46469-46469.

33. Gomide J, Veloso A, Meira W, et al. Dengue surveillance based on a computational model of spatio-temporal locality of Twitter. In: Proceedings and Abstracts of the 3rd International Web Science Conference, June 15–17, 2011. Koblenz, Germany: Association for Computing Machinery, 2011.

34. Loey M, Manogaran G, Taha MHN, Khalifa NEM. A hybrid deep transfer learning model with machine learning methods for face mask detection in the era of the COVID-19 pandemic. Measurement (Lond) 2021;167:108288-108288.

35. Aktay A, Bavadekar S, Cossoul G, et al. Google COVID-19 community mobility reports: anonymization process description (version 1.0). April 8, 2020 (https:///abs/2004.04145v1). preprint.

36. Chan AT, Brownstein JS. Putting the public back in public health — surveying symptoms of Covid-19. N Engl J Med 2020;383(7):e45-e45.

37. Lazer D, Kennedy R, King G, Vespignani A. Big data. The parable of Google flu: traps in big data analysis. Science 2014;343:1203-1205.

38. Antonelli M, Penfold RS, Merino J, et al. Risk factors and disease profile of post-vaccination SARS-CoV-2 infection in UK users of the COVID Symptom Study app: a prospective, community-based, nested, case-control study. Lancet Infect Dis 2022;22:43-55.

39. Wang Z, Wu P, Wang J, et al. Assessing the asymptomatic proportion of SARS-CoV-2 infection with age in China before mass vaccination. J R Soc Interface 2022;19:20220498-20220498 (https:///10.1098/rsif.2022.0498).

40. Developing infectious disease surveillance systems. Nat Commun 2020;11:4962-4962.

41. Labgold K, Hamid S, Shah S, et al. Estimating the unknown: greater racial and ethnic disparities in COVID-19 burden after accounting for missing race and ethnicity data. Epidemiology 2021;32:157-161.

42. Vyas DA, Eisenstein LG, Jones DS. Hidden in plain sight — reconsidering the use of race correction in clinical algorithms. N Engl J Med 2020;383:874-882.

43. Roberts M, Driggs D, Thorpe M, et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans. Nat Mach Intell 2021;3:199-217.

44. Maguolo G, Nanni L. A critic evaluation of methods for COVID-19 automatic detection from X-ray images. Inf Fusion 2021;76:1-7.

45. Bradley VC, Kuriwaki S, Isakov M, Sejdinovic D, Meng X-L, Flaxman S. Unrepresentative big surveys significantly overestimate US vaccine uptake. June 10, 2021 (https:///abs/2106.05818). preprint.

46. Rivers C, Lewis B, Young S. Detecting the determinants of health in social media. Online J Public Health Inform 2013;5(1):e161-e161.

47. Sadilek A, Liu L, Nguyen D, et al. Privacy-first health research with federated learning. NPJ Digit Med 2021;4:132-132.

48. Peiffer-Smadja N, Maatoug R, Lescure F-X, D'Ortenzio E, Pineau J, King J-R. Machine learning for COVID-19 needs global collaboration and data-sharing. Nat Mach Intell 2020;2:293-294.

49. Google Health. Participate in research with Google Health studies (https://health.google/for-everyone/health-studies).

50. Rimmer A. Covid-19: medical conferences around the world are cancelled after US cases are linked to Massachusetts meeting. BMJ 2020;368:m1054-m1054.