借助机器学习，我们可以识别疫情暴发并预测其传播走向。
在全球范围内整理相关数据并使其标准化是一项复杂的工作。
将临床数据和旅行数据与家族病史及生活方式相关联，将有助于做出更详细的预测。
纵观历史，人口流动一直助长疾病在全球范围内快速传播。从第一次世界大战结束时，因复员军人大规模流动而感染了5亿人的1918年流感大流行，到如今因全球旅行便利而迅速蔓延的COVID-19等现代病毒，莫不如此。
好消息是，在当今信息时代，我们的全球互联互通为抗击传染病提供了强大优势。我们可以分析世界各地的海量数据以识别疫情暴发，并运用先进的机器学习模型预测疫情在各地区的未来传播走向。挑战在于，在全球范围内整理相关数据并使其标准化是一项复杂的任务。
收集优质医疗数据的关键之一在于快速诊断。私营部门持续推出各类创新技术，能够几乎即时地整理和共享诊断结果，从而以更快的速度和更大的规模帮助监测病毒传播。
世界各地的企业正在投资开发新型检测试剂盒，可在短短15分钟内检测出COVID-19，明显快于目前常用的鼻拭子检测（后者处理可能需要24小时）。新检测方法将能够在有症状的旅客抵达机场时即对其进行检测，随后通过云端连接技术将结果实时共享给当地卫生主管部门。
在机场入境柜台，生物识别认证通过将面部识别与热成像相结合，可实时追踪人群。非接触式生物识别系统还额外具有减少与共用表面或指纹扫描仪接触的益处。
更快的诊断意味着更迅速的隔离，有助于防止病毒在机场或扩散至新的国家。快速诊断还能更快地获取有价值的数据，这些数据有助于使预先遏制措施更加有效。
但是，在全球层面实现优质健康相关数据的标准化，并及时为政策制定者提取相关洞见，我们面临两大关键挑战。
第一，收集对追踪疾病最有用的数据类型。我们已看到大量关于COVID-19影响的报告相继发布，但所提供的大部分数据缺乏细致程度。
除死亡率外，我们还需要更好地了解受影响人群的人口特征。我们掌握的关于哪些年龄段及既往病史人群风险最高的信息越多，就越能准确地决定将遏制工作重点放在何处，或调配医疗物资。
我们还需要确定更广泛的数据集类型，以帮助判断另一种病毒何时可能传播。这可能意味着监测经常与动物接触的社区的健康状况，以防另一种冠状病毒从动物传染给人类；或追踪其他指标，例如异常的健康模式，以便及时遏制任何其他新型疾病。
第二，我们需要找到使不同数据来源实现标准化的方法。若所在国家没有集中的患者病历系统，则要协调医院与公共部门之间的诊断能力和信息共享格式并非易事。
台湾在医疗保健领域采用的大数据方法在此背景下发挥了良好作用。该地区能够将全民健康保险数据库中的医疗记录与海关和移民记录相关联，从而识别并检测近期从中国大陆前往、就医或出现严重呼吸系统疾病症状的人员。
但在世界许多地区，数据无法从医院顺畅流入公共领域，也无法跨境流动。全球数据标准尚未建立，这造成了数据集的空白，并延缓了数据在塑造全球卫生工作方面的应用。
提高数据标准化速度的一种方法，可能是通过更统一的数据标准，促进各国数据系统之间实现更好的互联互通。
这需要各利益相关方开展大量协作，并且跨境推广可能颇具挑战。应由哪个国家决定采用哪些最佳实践数据收集标准？对于预算有限的低收入国家而言，升级其流程以与发达国家看齐，又有多大的现实可行性？
另一种解决方案是利用人工智能处理公共卫生组织、人口数据库和交通记录中已在网上获取的大量数据。自动化疾病监测平台已经能够通过机器学习与自然语言处理相结合的方式，在全球范围内追踪和识别疾病传播，并且其报告COVID-19传播情况的速度快于世界卫生组织和美国疾病控制与预防中心（CDC）。其他人工智能模型则希望预测气候变化和人类活动可能如何影响我们感染人畜共患新型疾病的风险。
将临床数据和旅行数据与从社交媒体收集的个人数据（如家族病史和生活习惯）相关联，将有可能进一步提供与个人风险概况及医疗保健结果相关的更详细预测。
监控技术的批评者可能会迅速指出此类系统对公民自由构成的威胁。监测人员的全球流动和个人健康史是机器学习的一个新前沿领域，并将接受与其他人工智能平台所面临的相同监管审查。
COVID-19清楚地表明，在传染病暴发期间采取被动防御所带来的经济代价，并凸显了在下一场大流行病出现之前就对其进行识别的重要性。归根结底，这将依赖跨领域合作，以及通过合作与信息持续流动，将私营部门的创新凝聚为政策的能力。
