搭建呼吸道传染病AI预警体系的多源异构数据库，关键在于整合医疗、环境、社会等多维度数据，并通过人工智能技术实现数据的标准化融合与智能分析，从而支撑从被动应对到主动预警的防控模式转变。这不仅是技术挑战，更是一场公共卫生领域的协作革新。
数据来源：打破“信息孤岛”
数据库的根基在于“多源”。传统预警往往依赖单一的医院报告，但疫情传播受多种因素影响。因此，一个有效的数据库必须像拼图一样，把不同来源的碎片整合起来。
- 医疗核心数据：这是最直接的疫情信号。例如，全国哨点医院每周会报告流感样病例占比、以及流感病毒、鼻病毒等病原体的检测阳性率数据。这些数字是判断疫情活跃度的基础。
- 环境与社会关联数据：气候、人口流动等因素同样关键。在2025年广东基孔肯雅热疫情的预警中，研究模型就揭示气候变化是疫情的核心驱动因素。这意味着数据库还需要纳入温度、湿度、降水等气象数据，以及人口流动轨迹、重点场所监测等信息。
- 真实世界大数据：依托覆盖全国的检验服务网络，可以获取海量、连续的检测数据，为模型训练提供更丰富的现实依据。
将这些原本分散在疾控、医院、气象、交通等部门的数据汇集起来，是构建预警“数据底座”的第一步。
技术核心：智能融合与预警
数据来了，但格式千差万别——这就是“异构”的难题。临床报告、环境监测数据、社会动态信息，它们就像说着不同方言，需要被“翻译”和整合。
杨子峰团队的核心创新，正是通过原创算法模型体系来解决这个问题。他们引入了大语言模型，从海量的非结构化数据（如文献、报告）中智能提取与疫情相关的微弱信号，从而提前预警时间。
更具体的技术应用体现在模型上：例如，针对基孔肯雅热疫情，团队应用了分布滞后线性模型，不仅预测了疫情总体规模，还量化了气候等因素的具体影响，为政府制定防控策略提供了科学依据。
这个过程可以理解为：AI技术充当了“数据翻译官”和“分析大师”，将多源异构数据清洗、转换，变成标准化、可分析的语言，再通过专门的预测模型，算出疫情可能的发展趋势。
合作支撑：国际化平台助力
如此复杂的系统工程，离不开跨领域、跨区域的合作。一个成功的范例是中国-葡萄牙人工智能与公共卫生技术联合实验室。这个平台汇聚了双方的优势：葡方在人工智能与数据分析技术上有长期积累，而中方在呼吸道疾病防控和临床实践方面经验丰富。
这种互补合作，为多源异构数据库的搭建提供了坚实的技术与临床支撑。
该实验室不仅是技术交流的平台，也致力于推动AI在传染病预警等场景的创新应用落地。通过这样的国际合作，数据共享的边界得以拓展，技术迭代的速度也得以加快，共同应对全球性的公共卫生挑战。
通过构建这样一个融合多源数据、智能分析和国际协作的数据库体系，AI公共卫生决策正从“初步可用”走向“系统可用”，让防控的哨声吹得更早、更准。
