数字技术几乎已经全方位融入人类生活，我们无时无刻不在享用着它的神奇。当突如其来的新冠大流行时，我们正是依靠数字技术而避免更大损失。数字技术支撑了防疫工作的每个环节，本文从流行病学监测、病例识别以及接触追踪这三个方面概述其作用。
流行病学监测
公共卫生部门在应对大规模疫情时，必须开展的一项核心职能便是流行病学监测——监测病原体的散播情况、人群的易感程度、感染率和死亡率，疫苗接种覆盖以及免疫效果等。这些反映疫情特征和防疫进度的流行病学数据有助于我们确定传染病的危险因素，判断其发展趋势，并及时制定或调整防疫策略。
掌握病毒传播情况的基础是做好人群监测工作。传统的人群监测系统主要依赖实验室提供的健康相关数据、医生的临床病例诊断以及症状监测网络（syndromic surveillance networks）。症状监测网络以来自医院等医疗卫生机构的临床症状报告（例如描述某尚未确定的传染病为“流感样疾病”）为基础，这些机构通常都会提供所有病例的定期监测数据。
然而，此类人群监测的缺陷在于全部数据均来自医疗系统“登记”的人群，无法反映那些并未寻求医疗帮助的潜在患者。英国的研究团队曾指出：英国在疫情暴发早期阶段，只对住院患者和医护人员进行了病毒核酸检测；他们基于此情况估算英国的确诊病例数仅为实际感染人数的4.7%。
尽可能找出未确诊病例，我们才能更真实呈现疫情的规模和特点，更准确制定防疫措施。问题在于如何挖出那些“潜藏”的感染数据。
在过去20年间，我们通过新闻媒体、社交网络以及搜索引擎等平台搜集、提取和整合信息的能力显著增强。今天，我们有能力在庞大的数据库中找到传统临床报告没有的内容。在统计和分析COVID-19感染人群时，我们借用了网络数据库。
世界范围最顶尖的流行病监测在线平台包括：美国科学家联盟建立的新发疾病监测计划（ProMED-mail）、加拿大公共卫生局开发的全球公共卫生情报网络（GPHIN）、波士顿儿童医院组建的全球疫情监控网（HealthMap）、世界卫生组织（WHO）与其他机构联合打造的来自公开资源的流行病情报（EIOS）等。这些数据整合系统能够借助自然语言和机器学习筛选并处理在线数据，给出可靠的监测结果，并有望提供前瞻性的疫情分析。WHO搭建的EPI-BRAIN平台集合了针对不同传染病的数据库。在WHO发表关于疫情的声明之前，少数几个监测系统就基于众包数据和新闻报道，提前“探查”了亚洲地区的早期病例。英国的自动症状监测系统扫描国家卫生服务数字记录，以收集可能发出COVID-19信号的呼吸症状。设想一下，如果在疫情早期，就可以通过此类排查来锁定高风险群体，那么防疫工作会大大受益。美国的研究团队曾在国内疫情尚未暴发之时，调用来自丁香园的众包数据进行了针对COVID-19的早期流行病学分析。
快速识别病例
在大流行期间，早期和快速识别病例对于病人和密切接触者的隔离至关重要，这样可以减少进一步传播，也有助于研究者了解传染病的关键风险和传播模式。在传统的临床和实验室病例报告的基础上，数字网络为线上看诊提供了平台。潜在感染者可以向网络社区报告自己的症状，也可以根据指南自行判断是否感染。无论方式如何，问诊者的信息都会被即时录入数据库。
通过在线症状报告进行病例识别（如新加坡和英国）传统上用于监测，但现在它提供了关于隔离和转诊到下一步医疗服务的建议，如视频评估和检测。这些服务可以迅速实施，但必须与正在进行的公共卫生监测和行动相衔接，例如病例隔离和接触者隔离。虽然这种方法适用于有症状者，但对个体和人群的广泛检测以及接触者追踪而言，在病例识别中起着至关重要的作用，估计占80%的COVID-19病例是轻度或无症状。传感器（包括热成像摄像机和红外传感器）正用于根据发热症状（例如在机场)确定潜在病例。大量的假阳性和假阴性结果意味着，这不太可能产生提高认识之外的实质影响。人们还在探索可穿戴技术，以监测COVID-19在人群中的情况。
人们对分散的、数字连接的快速诊断检测越来越感兴趣，以扩大检测的机会，提升检测能力，减轻医疗系统和诊断实验室的压力。正在研发若干护理点的COVID-19的PCR测试，然而，其使用仍然限于医疗护理环境。开车通过检测设施和自动检测试剂盒扩大了检测的范围。在取样、向中心实验室发送样品、等待结果和后续工作之间存在不可避免的时间延迟。相比之下，护理点快速诊断抗体检测可以在家庭或社区或社会护理环境中实施，并在几分钟内给出结果。通过使用图像处理和机器学习方法，与具有自动读出功能的智能手机连接，可以使大规模检测与地理空间和病人信息快速链接，向临床系统和公共卫生系统报告，并可以加快结果的获得。为了提高工作效率，需要数据标准化和将数据整合到电子病历中。
通过抗体检测识别过去的感染也是人群水平监测和评估干预措施（如保持社交距离）有效性的核心。到目前为止，护理点血清学检测尤其具有可变的性能，而抗体反应可能是短暂的，这种检测如何有助于病人管理仍然是未知的。一些人认为：在经济中必须保持活跃的血清反应阳性的工作人员可以获得数字“免疫护照”，以表明不会感染；尽管这样的策略是脆弱的，具有操作和临床的不确定性。人们正在开发机器学习算法，将COVID-19从社区获得性肺炎中自动区分开来。
数字接触追踪
前文提到，除了锁定感染者，快速追踪并隔离与他们有过密切接触的人群也是阻断传播的关键步骤，尤其是在病毒传播率很高的地区，针对密切接触者的监测工作对控制疫情蔓延至关重要，但传统的追踪手段显然跟不上病原体扩散的脚步。
不少国家开发了移动端的接触追踪应用：韩国的监测系统通过APP跟踪确诊病例的出行轨迹和交易记录寻找密切接触者。中国推行了支付宝健康码，基于用户的行动轨迹自动评估其密切接触的风险；把守于车站、医院、超市或小区等人流密集地或通行要塞处的工作人员根据健康码决定是否执行限制举措。挪威曾推出一款名为Smittestopp的应用程序用于收集用户的位置数据，不过遭到了国内数据保护机构的反对，后者认为Smittestopp的实际权限已经超出其任务范畴；之后，挪威停用了此软件。
隐私泄露一直都是某些手机APP招惹争议之处，这一点在追踪类应用上体现得尤为明显。有些国际机构正在制定针对追踪类应用程序的框架，以规范数据收集过程。
接触者追踪程序的一大关键限制在于，它们对用户数量的要求很高，只有全国大部分人口都使用它，并按其建议行事，追踪数据才能最大程度发挥作用。从这个角度来看，新加坡的防疫应用程序TraceTogether的进展并不理想，到2020年6月，全国仅30%的民众使用了这款APP。
此外，追踪应用也面临一些技术层面的挑战，例如分析哪些接触是密切到足以导致感染，多久的接触时长应触发警报。另一方面，智能手机所有权、用户信任、可用性和手机兼容性等一系列因素都会影响APP的效用。
要准确量化数字技术对防控新冠疫情的贡献还为时尚早，但至少我们可以达成这样的共识：数字技术提供了一套高效便捷的辅助工具，可作为常规公共卫生措施的补充，减小了新冠给人类造成的损失，也证明了数据共享的必要性，为未来移动和数字医疗发展指明了方向。
资料来源 Nature Medicine