MaltSci 麦伴科研

Appearance

热门主题报告 / 公共卫生

本报告由 MaltSci•麦伴科研 基于最新文献和研究成果撰写

人工智能如何预测流行病？ ​

摘要 ​

随着全球化进程的加速和气候变化的影响，传染病的威胁日益加剧，给公共卫生带来了重大挑战。人工智能（AI）技术的快速发展为应对这一挑战提供了新的机遇。AI通过分析海量数据，包括历史疫情数据、社交媒体信息和气象数据，能够识别潜在的疫情爆发模式，为公共卫生决策提供科学依据。本报告综述了AI在疫情预测中的基本原理，包括数据收集与处理、机器学习算法以及模型训练与验证。AI通过多种建模技术提升了疫情预测的准确性，并通过实时监测能力帮助公共卫生部门快速响应疫情。然而，AI的应用也面临数据质量、模型透明性等挑战。通过具体案例分析，尤其是在COVID-19疫情期间，AI技术的应用展现了其在疫情预测中的重要作用。展望未来，AI技术在疫情管理中的应用将更加广泛，但需重视政策与伦理考量，以促进其有效实施。

大纲 ​

本报告将涉及如下问题的讨论。

  • 1 引言
  • 2 人工智能在疫情预测中的基本原理
    • 2.1 数据收集与处理
    • 2.2 机器学习算法概述
    • 2.3 模型训练与验证
  • 3 AI在疫情预测中的应用实例
    • 3.1 COVID-19疫情预测案例
    • 3.2 其他传染病的预测研究
  • 4 AI在疫情预测中的优势与局限性
    • 4.1 优势分析
    • 4.2 局限性与挑战
  • 5 未来发展方向与展望
    • 5.1 技术进步的可能性
    • 5.2 政策与伦理考量
  • 6 总结

1 引言 ​

随着全球化进程的加速和气候变化的影响，传染病的威胁日益加剧，给公共卫生带来了重大挑战。近年来，人工智能（AI）技术的快速发展为应对这一挑战提供了新的机遇。AI能够通过分析海量数据，包括历史疫情数据、社交媒体信息、气象数据等，识别潜在的疫情爆发模式，从而为公共卫生决策提供科学依据。尤其是在新冠疫情（COVID-19）期间，AI技术的应用展示了其在疫情预测、监测和响应中的重要作用[1][2]。

研究表明，AI在传染病疫情预测中的应用不仅能够提高预测的准确性，还能显著缩短反应时间，优化资源分配[3][4]。例如，通过机器学习算法，AI能够从多种数据源中提取有价值的信息，进而预测疫情的发展趋势和传播模式。这种数据驱动的决策方法在疫情管理中具有重要意义，能够帮助公共卫生部门更有效地进行疫情防控[5][6]。

然而，AI在疫情预测中的应用也面临诸多挑战，包括数据质量问题、模型选择的复杂性、算法的透明性等[7]。例如，数据的准确性和完整性直接影响到模型的预测能力，而模型的“黑箱”特性使得其结果的解释性不足，这在公共卫生决策中可能造成风险[8]。因此，深入探讨AI在疫情预测中的工作原理、优势与局限性，具有重要的学术价值和实际意义。

本报告将系统性地综述AI在疫情预测中的应用现状，内容组织如下：首先，我们将介绍AI在疫情预测中的基本原理，包括数据收集与处理、机器学习算法概述及模型训练与验证。接着，我们将通过具体案例分析AI在COVID-19及其他传染病预测中的应用实例，进一步探讨AI技术的优势与局限性，分析其在实际应用中所面临的挑战。最后，我们将展望未来的发展方向，讨论技术进步的可能性以及政策与伦理考量，以期为公共卫生领域的研究者和决策者提供有价值的参考，促进AI技术在疫情防控中的更有效应用[3][5]。

2 人工智能在疫情预测中的基本原理 ​

2.1 数据收集与处理 ​

人工智能（AI）在疫情预测中的基本原理主要依赖于大数据的收集与处理，结合机器学习（ML）、深度学习（DL）和自然语言处理（NLP）等技术，以实现对传染病传播模式的准确预测和及时响应。以下是AI在疫情预测中所采用的基本步骤和方法。

首先，数据收集是AI预测疫情的基础。AI系统通常会整合多种数据来源，包括流行病学数据、气候数据、社交媒体信息、医疗记录以及环境监测数据等。这种多维度的数据整合使得AI能够获得更全面的疫情背景，从而提高预测的准确性[7]。

其次，数据处理是确保数据质量和可用性的关键环节。AI模型需要对收集到的数据进行清洗、标准化和格式化，以消除噪声和不一致性。这一过程涉及使用算法来识别和修正错误数据，同时也需要解决数据偏见和透明度的问题，以避免“黑箱”效应对预测结果的影响[7]。

在数据处理完成后，AI应用了多种建模技术进行疫情预测。例如，SIR（易感-感染-恢复）和SIS（易感-感染-易感）模型是常用的流行病学模型，通过这些模型，AI能够模拟疾病的传播动态，预测疫情的发展趋势[2]。此外，机器学习算法和预测分析也被用于识别疾病传播模式，并优化疫苗分配策略[2]。

AI在疫情预测中的另一个重要应用是实时监测和响应能力的提升。通过整合实时数据，AI系统能够快速识别疫情的潜在爆发，及时发出预警。这种实时适应能力是传统手动报告系统无法比拟的，有助于减少响应延迟和覆盖空白[3]。

然而，尽管AI在疫情预测中展现出巨大的潜力，仍面临一些挑战。例如，处理多语言数据、应对错误信息的传播以及确保公共卫生政策的协调性等问题，都是需要进一步解决的关键领域[3]。为此，构建一个集成的、实时可适应的AI驱动疫情智能系统，能够有效关联跨来源数据，优化医疗资源分配，并支持知情的疫情响应，将是未来研究的重要方向[3]。

综上所述，AI通过数据的广泛收集与深度处理，结合先进的建模技术和实时监测能力，为疫情预测提供了强有力的支持。这一过程不仅提高了疫情响应的效率，也为公共卫生决策提供了科学依据。

2.2 机器学习算法概述 ​

人工智能（AI）在疫情预测中的基本原理主要依赖于数据驱动的决策制定和机器学习（ML）算法的应用。AI技术的整合使得我们能够在疫情响应中实现更高效的预防、减缓和治疗措施，特别是在流行病学建模和疫苗开发等领域。

首先，AI在流行病学中的应用，特别是使用AI驱动的流行病学模型（如SIR模型和SIS模型），可以有效预测疾病的传播。这些模型通过分析历史数据和实时数据，帮助公共卫生决策者理解疾病的传播动态，从而制定更有效的干预措施[2]。例如，AI能够通过数据分析来优化疫苗分配，确保疫苗能够在疫情最严重的地区得到及时应用。

其次，机器学习算法和预测分析的应用进一步提升了我们对疾病传播模式的理解。这些算法可以处理大量的复杂数据，从中提取出有价值的信息。例如，AI驱动的流行病智能系统可以通过整合来自不同来源的数据，实时适应并优化医疗资源的分配，增强疫情响应的能力[3]。此外，深度学习技术的应用能够改善流行病学模型的精确度，使得对疫情的预测更加准确[9]。

最后，AI在疫情预测中的另一个重要方面是其在实时监测和预警系统中的应用。通过自然语言处理（NLP）等技术，AI能够快速处理和分析来自社交媒体、新闻报道和公共卫生数据的非结构化信息，从而提高对疫情爆发的早期警报能力。这种实时适应能力使得AI能够在应对新出现的传染病时，提供更为迅速和有效的响应策略[3]。

综上所述，AI通过流行病学建模、机器学习算法和实时数据分析等方式，极大地提升了疫情预测的准确性和效率，为公共卫生决策提供了重要支持。

2.3 模型训练与验证 ​

人工智能（AI）在疫情预测中的应用主要依赖于多种模型的训练与验证过程，这些模型能够分析和预测传染病的传播动态。AI通过集成多种数据源，利用机器学习算法和统计模型来提升疫情预测的准确性。

首先，AI在疫情预测中常用的模型包括流行病学模型，如SIR（易感-感染-恢复）模型和SIS（易感-感染-易感）模型。这些模型可以模拟疾病的传播过程，并预测未来的感染趋势[2]。AI的机器学习算法，如支持向量机（SVM）、随机森林和XGBoost等，能够从历史数据中学习，识别出影响疾病传播的关键因素，从而实现对疫情的早期预警和干预策略的评估[10]。

在模型训练方面，数据的质量和数量至关重要。许多AI研究在选择样本大小时缺乏充分的理由，常常依赖于不足的数据集来训练和评估模型[11]。适当的样本大小不仅有助于提高模型的训练效果，还能确保其在实际应用中的有效性。研究指出，样本量不足可能导致模型性能下降，从而影响对疫情的准确预测和控制[11]。

验证是模型开发过程中另一个重要环节。验证方法通常包括敏感性分析和数值模拟等，数学和统计模型的验证主要依赖于这些方法，而机器学习研究则常用F1分数、混淆矩阵和外部验证数据集来评估模型的表现[10]。然而，目前的验证过程仍存在不一致性的问题，许多模型缺乏明确的验证，这限制了其在公共卫生领域的应用[10]。

总的来说，AI在疫情预测中的基本原理涉及流行病学模型与机器学习算法的结合，通过对历史数据的分析和学习，构建出能够有效预测疫情传播的模型。未来，随着数据共享的增强、环境信息的整合以及标准化验证方法的推广，AI模型的可靠性和预测能力有望进一步提升，从而更好地应对未来的疫情挑战[2][10]。

3 AI在疫情预测中的应用实例 ​

3.1 COVID-19疫情预测案例 ​

人工智能（AI）在疫情预测中的应用，特别是在COVID-19疫情期间，展现出了显著的潜力和价值。多项研究表明，AI技术能够有效地分析数据、识别模式并进行预测，从而为公共卫生决策提供支持。

首先，AI可以通过分析历史疫情数据、气象条件、人口密度等多种因素来预测疫情的传播趋势。例如，Rahman等人（2021）指出，AI在COVID-19疫情中应用了多种方法，包括对感染率、传播规律和疫情高峰的预测。这些方法通常涉及机器学习和深度学习算法，能够处理和分析大量的实时数据，以识别潜在的传播热点和预测未来的病例数[12]。

其次，AI模型还可以通过对现有病例的分析，预测疫情的发展趋势。El-Rashidy等人（2021）在其综述中提到，AI被用于评估COVID-19的未来传播，涵盖了感染病例的数量、疫情的高峰以及传播的模式。这些模型的有效性在于它们能够基于当前的数据和趋势，生成短期和中期的预测，从而帮助公共卫生官员制定相应的应对策略[13]。

具体而言，AI技术如长短期记忆（LSTM）网络和自回归综合移动平均（ARIMA）模型等被用于对COVID-19病例进行预测。Devaraj等人（2021）通过对COVID-19数据集的深度学习模型进行了研究，结果表明，堆叠LSTM模型在预测全球病例方面表现出更高的准确性，预测误差低于2%[14]。这种技术能够有效捕捉疫情的动态变化，为政策制定者提供及时的信息支持。

此外，AI还能够结合社交媒体数据和其他非结构化数据，分析公众情绪和行为模式，从而为疫情预测提供更全面的视角。Dasgupta等人（2022）提到，AI技术可以通过分析社交网络数据来预测COVID-19对人群的心理影响和疫情模式，这种方法有助于更好地理解疫情对社会的影响[15]。

综上所述，AI在COVID-19疫情预测中的应用，通过数据分析、模式识别和预测建模，展现了其在公共卫生领域的巨大潜力。这些技术不仅提高了疫情预测的准确性，也为制定有效的公共卫生策略提供了重要依据。随着AI技术的不断发展，其在未来疫情管理中的应用前景将更加广阔。

3.2 其他传染病的预测研究 ​

人工智能（AI）在疫情预测中的应用日益广泛，特别是在处理传染病的监测与预警方面。AI技术通过多种方法和数据源的结合，提升了疫情预测的准确性和及时性。

首先，AI能够通过机器学习（ML）和深度学习（DL）技术分析大量的流行病学数据、气候数据和社交媒体信息，从而识别出潜在的疫情爆发风险。例如，Kraemer等人（2025）指出，AI系统可以整合机器学习、计算统计和信息检索等技术，以加速对传染病流行病学问题的突破，具体应用包括对常规收集的传染病监测数据进行分析，从而提高疫情预测的效率[5]。

其次，AI在传染病预测中还利用自然语言处理（NLP）技术来分析新闻报道、社交媒体和科学文献，实时捕捉可能的疫情信号。这种方法不仅能够提高早期预警系统的响应速度，还能通过数据挖掘发现潜在的疫情趋势。Villanueva-Miranda等人（2025）在系统评审中提到，AI可以整合多种数据源，显著提升疫情爆发的检测能力[7]。

在具体应用方面，AI技术已被用于预测诸如新冠病毒、流感等传染病的爆发。Siddig等人（2023）强调，AI在新冠疫情期间的应用显示出其在预测疫情、识别高风险区域和促进疫苗开发方面的潜力[1]。AI的能力使得公共卫生官员能够提前采取措施，减少疾病传播的风险。

此外，Al Meslamani等人（2024）探讨了机器学习在传染病管理中的潜在应用，包括疫情预测、病原体识别和药物发现等方面。这些技术的结合不仅能提高对疫情发展的预判能力，还能在个性化医疗和精准治疗中发挥重要作用[16]。

然而，尽管AI在疫情预测中展现出巨大的潜力，但仍面临数据质量、模型可解释性和伦理等方面的挑战。研究表明，提升数据的透明度和质量，以及加强不同领域之间的合作，将是推动AI技术有效应用于疫情预测的关键因素[17]。

综上所述，AI在疫情预测中的应用实例展示了其通过数据分析、模型构建和多种技术的整合，为公共卫生提供了强有力的支持，助力更有效地应对未来的传染病挑战。

4 AI在疫情预测中的优势与局限性 ​

4.1 优势分析 ​

人工智能（AI）在疫情预测中的应用展现出显著的优势，主要体现在以下几个方面：

首先，AI能够处理和分析大量异构数据源，这些数据源包括电子健康记录、社交媒体、气候数据和可穿戴技术等。这种数据整合能力使得AI能够实现更早期的疫情检测和实时监测，从而提高疫情传播预测的准确性[4]。例如，通过分析社交媒体数据，AI可以改进流感的预测准确性，而可穿戴技术则能够实时监控感染动态[4]。

其次，AI在流行病学建模方面的应用显示出强大的潜力。AI技术如机器学习和深度学习能够对复杂的疾病动态进行更为精准的建模，从而改善疫情风险的及时性和准确性。这种能力不仅支持了基于证据的决策制定，还可以优化非药物干预措施的实施，从而在疫情应对中发挥关键作用[9]。

此外，AI在早期预警系统中的应用显示出其提升疫情响应能力的潜力。系统性评估表明，AI能够通过机器学习和自然语言处理等技术，整合流行病学、网络和气候等多种数据源，从而实现更早的疫情检测和预测精度的提高[7]。这对于全球公共卫生安全至关重要，尤其是在全球化和气候变化加剧的背景下，能够有效应对传染病的威胁[7]。

然而，尽管AI在疫情预测中展现出诸多优势，但其应用也面临一些局限性。首先，数据质量和偏见问题是AI在流行病学应用中的主要挑战。模型的透明性（即“黑箱”问题）和系统集成的困难也制约了AI的广泛应用[7]。此外，隐私和公平性等伦理问题也需在AI的实施过程中加以重视，以确保其应用不会引发新的社会问题[9]。

综上所述，AI在疫情预测中的优势主要体现在其强大的数据处理能力、精准的建模能力和提升的早期预警能力等方面，但同时也需要面对数据质量、模型透明性及伦理问题等局限性。因此，在推动AI技术应用于疫情预测时，应注重解决这些挑战，以实现更为有效的公共卫生干预措施。

4.2 局限性与挑战 ​

人工智能（AI）在疫情预测中的应用具有显著的优势，但同时也面临多重局限性和挑战。

首先，AI的优势在于其强大的数据处理能力和分析精度。通过整合多种数据源，如电子健康记录、社交媒体、气候数据和可穿戴技术，AI能够实现更早的疫情检测和实时监控，从而提高疫情传播预测的准确性。例如，社交媒体数据的整合可以显著改善流感预测的准确性[4]。此外，AI驱动的模型能够识别高度易感的个体和地理热点，从而加强公共卫生策略的制定[4]。

然而，AI在疫情预测中的局限性同样不可忽视。首先，数据隐私问题是一个重要挑战，尤其是在处理涉及个人健康信息的数据时，如何确保数据的安全性和用户的隐私权是一个亟待解决的问题[9]。其次，AI模型的验证和适应性问题也非常关键。现有的AI模型在不同流行病学背景下的有效性和准确性尚未得到充分验证，这可能导致在实际应用中的偏差和误导[7]。

此外，AI在处理数据时可能面临“黑箱”问题，即模型的决策过程不透明，难以解释。这一问题使得公共卫生专家在使用AI工具时难以理解其输出结果，从而影响其在临床决策中的应用[7]。此外，模型的构建往往依赖于历史数据，如果这些数据存在偏差或不完整，AI模型的预测能力将受到影响[3]。

总之，尽管AI在疫情预测中展现出巨大的潜力，但要实现其全面有效的应用，仍需在数据质量、模型透明性、伦理考量及跨学科合作等方面进行深入探索和改进。这些挑战的解决将有助于推动AI技术在公共卫生领域的进一步发展和应用。

5 未来发展方向与展望 ​

5.1 技术进步的可能性 ​

人工智能（AI）在预测流行病方面的潜力主要体现在其对复杂数据的处理能力和模式识别能力。AI技术的进步使得科学家能够更有效地整合和分析来自不同来源的大规模数据，从而提升流行病预测的准确性和及时性。

首先，AI在流行病预测中的应用包括机器学习（ML）和深度学习（DL）模型，这些模型能够从历史疫情数据中学习并识别潜在的传播模式。通过分析大量的流行病学数据、气候数据、社会行为数据等，AI可以识别出可能导致疫情爆发的风险因素和趋势[2][18]。例如，AI驱动的流行病模型，如SIR（易感-感染-恢复）模型，能够模拟疾病的传播动态，从而帮助公共卫生官员制定更有效的干预措施[2]。

其次，AI还能够利用自然语言处理（NLP）技术分析社交媒体和新闻报道中的信息，以识别疫情的早期迹象。这种方法能够在传统监测系统可能遗漏的情况下，提供实时的疫情预警，从而提高响应速度[3]。AI驱动的流行病智能系统通过整合不同来源的数据，能够更好地理解疫情传播的复杂性，并支持基于证据的决策制定[17]。

在未来的发展方向上，AI技术在流行病预测中的应用将继续深化。具体而言，研究者们正在探索如何进一步提升AI模型的透明度和可解释性，以便公共卫生专家能够更好地理解和信任AI的预测结果[7]。此外，随着数据质量和可用性问题的改善，AI的预测能力将进一步增强，尤其是在多变的公共卫生环境中[19]。

然而，尽管AI在流行病预测中展现出巨大的潜力，仍然面临诸多挑战，例如数据的质量、模型的可解释性以及伦理问题等[17]。为了充分发挥AI的优势，未来需要加强AI技术与公共卫生实践的结合，确保AI系统能够在真实的临床环境中有效应用，从而为流行病管理提供更强有力的支持[3][18]。

5.2 政策与伦理考量 ​

人工智能（AI）在预测流行病方面的应用正日益受到关注，其潜力在于利用先进的机器学习和数据分析技术来识别和预测传染病的爆发。AI通过整合来自多种来源的数据，包括公共卫生监测、社交媒体信息、气象数据和人类行为模式，能够快速识别潜在的疫情风险区域。这种能力在COVID-19大流行期间得到了显著体现，AI被用来追踪感染者、识别热点区域，并支持疫苗开发[1]。

在未来的发展方向上，AI驱动的流行病智能系统有望通过大语言模型（LLMs）、自然语言处理（NLP）和基于优化的资源分配策略的整合，进一步提高疫情监测的准确性和响应速度。这种集成的实时适应性系统能够关联跨源数据，优化医疗资源分配，从而增强疫情响应的能力[3]。此外，AI还可以帮助提高预测的准确性，增强公共卫生的应急准备能力[20]。

然而，AI在流行病预测中的应用也面临着诸多政策与伦理考量。首先，数据隐私和安全性是亟待解决的重要问题。随着AI技术的广泛应用，如何确保公民的隐私不被侵犯，以及如何保护国家信息安全，成为了重要的议题[21]。其次，AI的使用可能会引发伦理问题，例如算法偏见和对特定人群的不公正对待。因此，在实施AI技术时，必须进行严格的算法和数据集选择，以避免可能的偏见和不公正[22]。

此外，AI在流行病预测中的透明性和可解释性也是关键。确保AI模型的预测过程对用户和相关决策者透明，可以帮助建立公众对这一技术的信任[23]。伦理框架的建立将有助于指导AI技术的负责任使用，确保其在公共卫生领域的应用既能有效应对疫情，又能尊重个体的权利和自由。

总之，AI在流行病预测中的应用前景广阔，但其发展需要兼顾技术创新与伦理规范，以实现对公共健康的有效保护和促进。

6 总结 ​

本报告系统性地综述了人工智能（AI）在疫情预测中的应用现状，归纳出AI技术在流行病学建模、数据处理及实时监测等方面的主要发现。研究表明，AI通过整合多种数据源、运用机器学习和深度学习技术，显著提高了疫情预测的准确性和响应速度。然而，AI在疫情预测中的应用也面临数据质量、模型透明性和伦理问题等挑战。未来的研究应集中于提升数据共享与整合能力，增强模型的可解释性，并建立健全的伦理框架，以推动AI技术在公共卫生领域的有效应用。随着技术的不断进步，AI有望在疫情管理中发挥更加重要的作用，帮助公共卫生决策者制定更科学的干预措施。

参考文献 ​

  • [1] Emmanuel Edwar Siddig;Hala Fathi Eltigani;Ayman Ahmed. The Rise of AI: How Artificial Intelligence is Revolutionizing Infectious Disease Control.. Annals of biomedical engineering(IF=5.4). 2023. PMID:37335374. DOI: 10.1007/s10439-023-03280-4.
  • [2] Mayur Suresh Gawande;Nikita Zade;Praveen Kumar;Swapnil Gundewar;Induni Nayodhara Weerarathna;Prateek Verma. The role of artificial intelligence in pandemic responses: from epidemiological modeling to vaccine development.. Molecular biomedicine(IF=10.1). 2025. PMID:39747786. DOI: 10.1186/s43556-024-00238-3.
  • [3] Jasleen Kaur;Zahid Ahmad Butt. AI-driven epidemic intelligence: the future of outbreak detection and response.. Frontiers in artificial intelligence(IF=4.7). 2025. PMID:40810005. DOI: 10.3389/frai.2025.1645467.
  • [4] Jin-Hua Li;Yi-Ju Tseng;Shu-Hui Chen;Kuan-Fu Chen. Artificial Intelligence in Infection Surveillance: Data Integration, Applications and Future Directions.. Biomedical journal(IF=4.4). 2025. PMID:41205676. DOI: 10.1016/j.bj.2025.100929.
  • [5] Moritz U G Kraemer;Joseph L-H Tsui;Serina Y Chang;Spyros Lytras;Mark P Khurana;Samantha Vanderslott;Sumali Bajaj;Neil Scheidwasser;Jacob Liam Curran-Sebastian;Elizaveta Semenova;Mengyan Zhang;H Juliette T Unwin;Oliver J Watson;Cathal Mills;Abhishek Dasgupta;Luca Ferretti;Samuel V Scarpino;Etien Koua;Oliver Morgan;Houriiyah Tegally;Ulrich Paquet;Loukas Moutsianas;Christophe Fraser;Neil M Ferguson;Eric J Topol;David A Duchêne;Tanja Stadler;Patricia Kingori;Michael J Parker;Francesca Dominici;Nigel Shadbolt;Marc A Suchard;Oliver Ratmann;Seth Flaxman;Edward C Holmes;Manuel Gomez-Rodriguez;Bernhard Schölkopf;Christl A Donnelly;Oliver G Pybus;Simon Cauchemez;Samir Bhatt. Artificial intelligence for modelling infectious disease epidemics.. Nature(IF=48.5). 2025. PMID:39972226. DOI: 10.1038/s41586-024-08564-w.
  • [6] Sergio Consoli;Pietro Coletti;Peter V Markov;Lia Orfei;Indaco Biazzo;Lea Schuh;Nicolas Stefanovitch;Lorenzo Bertolini;Mario Ceresa;Nikolaos I Stilianakis. An epidemiological knowledge graph extracted from the World Health Organization's Disease Outbreak News.. Scientific data(IF=6.9). 2025. PMID:40494870. DOI: 10.1038/s41597-025-05276-2.
  • [7] Ismael Villanueva-Miranda;Guanghua Xiao;Yang Xie. Artificial intelligence in early warning systems for infectious disease surveillance: a systematic review.. Frontiers in public health(IF=3.4). 2025. PMID:40626156. DOI: 10.3389/fpubh.2025.1609615.
  • [8] Parveen Kumar;Benu Chaudhary;Preeti Arya;Rupali Chauhan;Sushma Devi;Punit B Parejiya;Madan Mohan Gupta. Advanced Artificial Intelligence Technologies Transforming Contemporary Pharmaceutical Research.. Bioengineering (Basel, Switzerland)(IF=3.7). 2025. PMID:40281723. DOI: 10.3390/bioengineering12040363.
  • [9] Benjamin D Trump;Stephanie Galaitsi;Jeff Cegan;Igor Linkov. How Will AI Shape the Future of Pandemic Response? Early Clues From Data Analytics.. Risk analysis : an official publication of the Society for Risk Analysis(IF=3.3). 2025. PMID:40926588. DOI: 10.1111/risa.70103.
  • [10] Shixun Huang;Nicola Luigi Bragazzi;Zahra Movahedi Nia;Murray Gillies;Emma Gardner;Doris Leung;Itlala Gizo;Jude D Kong. A systematic review of mathematical and machine learning models of Avian Influenza.. One health (Amsterdam, Netherlands)(IF=4.5). 2025. PMID:41070042. DOI: 10.1016/j.onehlt.2025.101203.
  • [11] Richard D Riley;Joie Ensor;Kym I E Snell;Lucinda Archer;Rebecca Whittle;Paula Dhiman;Joseph Alderman;Xiaoxuan Liu;Laura Kirton;Jay Manson-Whitton;Maarten van Smeden;Karel G Moons;Krishnarajah Nirantharakumar;Jean-Baptiste Cazier;Alastair K Denniston;Ben Van Calster;Gary S Collins. Importance of sample size on the quality and utility of AI-based prediction models for healthcare.. The Lancet. Digital health(IF=24.1). 2025. PMID:40461350. DOI: 10.1016/j.landig.2025.01.013.
  • [12] Md Mijanur Rahman;Fatema Khatun;Ashik Uzzaman;Sadia Islam Sami;Md Al-Amin Bhuiyan;Tiong Sieh Kiong. A Comprehensive Study of Artificial Intelligence and Machine Learning Approaches in Confronting the Coronavirus (COVID-19) Pandemic.. International journal of health services : planning, administration, evaluation(IF=3.1). 2021. PMID:33999732. DOI: 10.1177/00207314211017469.
  • [13] Nora El-Rashidy;Samir Abdelrazik;Tamer Abuhmed;Eslam Amer;Farman Ali;Jong-Wan Hu;Shaker El-Sappagh. Comprehensive Survey of Using Machine Learning in the COVID-19 Pandemic.. Diagnostics (Basel, Switzerland)(IF=3.3). 2021. PMID:34202587. DOI: 10.3390/diagnostics11071155.
  • [14] Jayanthi Devaraj;Rajvikram Madurai Elavarasan;Rishi Pugazhendhi;G M Shafiullah;Sumathi Ganesan;Ajay Kaarthic Jeysree;Irfan Ahmad Khan;Eklas Hossain. Forecasting of COVID-19 cases using deep learning models: Is it reliable and practically significant?. Results in physics(IF=4.6). 2021. PMID:33462560. DOI: 10.1016/j.rinp.2021.103817.
  • [15] Abhijit Dasgupta;Abhisek Bakshi;Srijani Mukherjee;Kuntal Das;Soumyajeet Talukdar;Pratyayee Chatterjee;Sagnik Mondal;Puspita Das;Subhrojit Ghosh;Archisman Som;Pritha Roy;Rima Kundu;Akash Sarkar;Arnab Biswas;Karnelia Paul;Sujit Basak;Krishnendu Manna;Chinmay Saha;Satinath Mukhopadhyay;Nitai P Bhattacharyya;Rajat K De. Epidemiological challenges in pandemic coronavirus disease (COVID-19): Role of artificial intelligence.. Wiley interdisciplinary reviews. Data mining and knowledge discovery(IF=11.7). 2022. PMID:35942397. DOI: 10.1002/widm.1462.
  • [16] Ahmad Z Al Meslamani;Isidro Sobrino;José de la Fuente. Machine learning in infectious diseases: potential applications and limitations.. Annals of medicine(IF=4.3). 2024. PMID:38853633. DOI: 10.1080/07853890.2024.2362869.
  • [17] Anna Odone;Chiara Barbati;Silvia Amadasi;Tanja Schultz;David B Resnik. Artificial intelligence and infectious diseases: an evidence-driven conceptual framework for research, public health, and clinical practice.. The Lancet. Infectious diseases(IF=31.0). 2025. PMID:40972628. DOI: 10.1016/S1473-3099(25)00412-8.
  • [18] Ankit Sahoo;Janhvi Singh;Kainat Alam;Nabil K Alruwaili;Alhussain Aodah;Waleed H Almalki;Salem Salman Almujri;Majed Alrobaian;Md Abul Barkat;Tanuja Singh;Jonathan A Lal;Mahfoozur Rahman. Medical Artificial Intelligence: Opportunities and Challenges In Infectious Disease Management.. Current medicinal chemistry(IF=3.5). 2025. PMID:40917030. DOI: 10.2174/0109298673390868250728103906.
  • [19] Francisco Epelde. How AI Could Help Us in the Epidemiology and Diagnosis of Acute Respiratory Infections?. Pathogens (Basel, Switzerland)(IF=3.3). 2024. PMID:39599493. DOI: 10.3390/pathogens13110940.
  • [20] Chunhui Li;Guoguo Ye;Yinghan Jiang;Zhiming Wang;Haiyang Yu;Minghui Yang. Artificial Intelligence in battling infectious diseases: A transformative role.. Journal of medical virology(IF=4.6). 2024. PMID:38179882. DOI: 10.1002/jmv.29355.
  • [21] Hepeng Jia. Yi Zeng: promoting good governance of artificial intelligence.. National science review(IF=17.1). 2020. PMID:34676086. DOI: 10.1093/nsr/nwaa255.
  • [22] Michael Beil;Ingo Proft;Daniel van Heerden;Sigal Sviri;Peter Vernon van Heerden. Ethical considerations about artificial intelligence for prognostication in intensive care.. Intensive care medicine experimental(IF=3.1). 2019. PMID:31823128. DOI: 10.1186/s40635-019-0286-6.
  • [23] C Raina MacIntyre;Samsung Lim;Ashley Quigley. Preventing the next pandemic: Use of artificial intelligence for epidemic monitoring and alerts.. Cell reports. Medicine(IF=10.6). 2022. PMID:36543103. DOI: 10.1016/j.xcrm.2022.100867.

麦伴智能科研服务 ​

在麦伴科研 (maltsci.com) 搜索更多文献 ​

人工智能 · 疫情预测 · 机器学习 · 数据分析 · 公共卫生

© 2025 MaltSci 麦伴科研