公共卫生流行病学虚拟模型

公共卫生流行病学虚拟模型演讲人01公共卫生流行病学虚拟模型02引言：公共卫生实践中的“数字孪生”革命03虚拟模型面临的挑战与未来方向：在“理想与现实”间寻找平衡04结论：虚拟模型——公共卫生现代化的“数字引擎”目录01公共卫生流行病学虚拟模型02引言：公共卫生实践中的“数字孪生”革命引言：公共卫生实践中的“数字孪生”革命2020年新冠疫情初期，我作为省级疾控中心应急响应团队的一员，亲身经历了传统流行病学调查的“困境”：当病例数以每日数百的速度激增，依靠人工流调追踪密切接触者，平均耗时超过48小时，而传播链早已在隐匿扩散。就在团队一筹莫展时，我们尝试引入了早期构建的COVID-19传播虚拟模型——该模型整合了人口流动数据、病例时空分布和病毒传播动力学参数，仅用4小时便模拟出3条关键传播链，为精准封控提供了核心依据。这个经历让我深刻意识到：公共卫生流行病学虚拟模型（以下简称“虚拟模型”）已不再是实验室里的“概念玩具”，而是应对现代复杂公共卫生挑战的“数字武器”。从SARS到H1N1，再到新冠疫情，传统流行病学方法在“数据爆炸”和“传播复杂化”的双重压力下，逐渐显露出“滞后性”和“局限性”：依赖历史数据的静态分析难以捕捉病毒的动态变异，人工调查的局部视角无法覆盖跨区域的传播网络，引言：公共卫生实践中的“数字孪生”革命单一维度的风险评估难以叠加社会行为、环境变化等多重因素。而虚拟模型，正是通过“数字孪生”的思维，将现实世界的公共卫生系统“复刻”到虚拟空间，让疾病传播从“黑箱”变为“透明”，从“被动应对”转向“主动预见”。本文将从虚拟模型的科学内涵、技术基石、核心应用、现实挑战与未来方向五个维度，系统阐述这一工具如何重塑公共卫生实践，并分享我在实践中的观察与思考。二、虚拟模型的科学内涵：从“数学抽象”到“系统模拟”的范式升级定义与核心特征：虚拟模型的“三维坐标”虚拟模型的本质，是基于流行病学理论、数学方法和计算机技术，对疾病在人群中发生、发展、分布及影响因素进行动态模拟的数字系统。与传统流行病学模型（如SEIR模型）相比，它并非单一的数学方程，而是“数据-算法-场景”的有机融合，具备三大核心特征：1.动态性：实时整合多源数据（如实时病例报告、人口流动数据、气象数据），模拟疾病传播的“实时演化”。例如，在2022年上海疫情期间，我们通过接入地铁刷卡数据、手机信令和核酸检测结果，将模型更新周期从传统的“每日一次”缩短至“每小时一次”，精准预测了未来72小时的社区传播风险。2.多尺度性：跨越“个体-社区-城市-全球”多个尺度。在个体层面，可模拟不同行为特征（如戴口罩频率、社交活动半径）的感染概率；在城市层面，可结合交通网络和人口密度，分析“超级传播事件”的连锁反应；在全球层面，可通过跨境流动数据，预测病毒变异株的国际传播路径。定义与核心特征：虚拟模型的“三维坐标”3.交互性：支持“人机协同”的干预模拟。传统模型只能给出“理论最优解”，而虚拟模型允许决策者实时调整参数（如封控范围、疫苗接种策略），并直观观察不同干预措施的效果。例如，在2023年某省流感季，我们通过模型模拟了“学校停课”“老年人疫苗接种优先”“口罩强制令”三种组合策略的效果，最终为政府提供了“老年人接种+重点场所口罩令”的最优方案，使重症发生率降低了23%。理论基础：流行病学与计算机科学的“交叉结晶”虚拟模型的科学性，源于其深厚的理论基础，是流行病学、数学、计算机科学、社会学等多学科交叉的产物：1.流行病学动力学理论：作为模型的“骨架”，SEIR（易感-暴露-感染-恢复）模型、SIR（易感-感染-恢复）模型等经典理论，为疾病传播的“时间维度”提供了数学描述。例如，在构建HIV传播虚拟模型时，我们基于“窗口期传染性”理论，将潜伏期分为“无症状感染期”和“症状期”，并引入“安全套使用率”“抗病毒治疗覆盖率”等参数，使模型对男男性行为人群（MSM）的传播预测准确度提升至89%。2.多智能体建模（ABM）：作为模型的“细胞”，ABM通过模拟“智能体”（如个体、家庭、社区）的微观行为，涌现出宏观的传播模式。例如，在研究新冠变异株Omicron的传播时，我们构建了包含10万个智能体的虚拟城市，理论基础：流行病学与计算机科学的“交叉结晶”每个智能体具有“年龄、职业、疫苗接种状态、社交活动”等属性，通过设定“变异株免疫逃逸率”和“社交接触频率”，成功复现了“指数级增长→平台期→下降”的传播曲线，为医疗资源储备提供了量化依据。3.复杂网络理论：作为模型的“血管”，通过构建“接触网络”（如家庭网络、工作网络、交通网络），模拟疾病传播的“空间路径”。例如，在分析某高校聚集性疫情时，我们基于课程表和宿舍分布构建了“课程网络”和“宿舍网络”，发现“宿舍传播”的贡献率（62%）显著高于“课堂传播”（28%），这一结论直接推动了“封控宿舍、线上授课”的精准干预。理论基础：流行病学与计算机科学的“交叉结晶”4.系统动力学（SD）：作为模型的“神经中枢”，通过“反馈回路”模拟社会行为与疾病传播的“相互作用”。例如，在研究疫苗犹豫现象时，我们构建了“疫苗覆盖率→病例数→公众恐慌→疫苗接种意愿”的反馈回路，发现当疫苗覆盖率超过70%时，“正向反馈”（接种意愿上升）会抑制“负反馈”（恐慌蔓延），这一结论为制定疫苗科普策略提供了关键方向。（三）与传统模型的本质区别：从“静态预测”到“动态决策”的跨越传统流行病学模型（如队列研究、病例对照研究）的核心是“解释过去”，而虚拟模型的核心是“预见未来”。以新冠疫情为例，传统模型在2020年初预测“全球感染人数将达数百万”，但无法回答“哪些地区需要优先封控”“医疗资源何时达到峰值”等实操问题；而虚拟模型通过“动态干预模拟”，给出了“武汉封控需在1月23日前实施”“ICU床位需求将在2月中旬达到峰值”等具体结论，直接支撑了决策。理论基础：流行病学与计算机科学的“交叉结晶”这种区别的本质，是从“还原论”到“整体论”的思维转变：传统模型将疾病传播简化为“生物因素”的线性作用，而虚拟模型将社会行为、环境变化、政策干预等“系统性因素”纳入考量，实现了“生物-社会-环境”的多维度耦合。正如我在构建某省慢性病虚拟模型时深刻体会到的：高血压的传播并非单纯的“遗传+生活方式”问题，而是“社区医疗资源分布”“健康知识普及水平”“食品工业营销策略”等多重因素交织的结果——只有将这些因素纳入模型，才能精准预测不同干预措施的长期效果。三、虚拟模型构建的关键技术：从“数据孤岛”到“智能融合”的实践路径虚拟模型的构建，是一场“数据-算法-算力”的攻坚战。在多年的实践中，我总结出“数据是基础、算法是核心、算力是支撑”的技术框架，每个环节都充满了挑战与创新。数据基础：多源异构数据的“清洗与融合”“垃圾进，垃圾出”——这是虚拟模型构建的“铁律”。数据的质量直接决定了模型的可靠性，而公共卫生数据的“多源异构性”（如格式不统一、质量参差不齐、隐私敏感），是最大的挑战。1.数据来源的“广度”与“深度”：-常规监测数据：包括法定传染病报告系统、死因监测系统、慢性病登记系统等，这些数据覆盖面广但颗粒度粗（如“某区某月流感病例数”）；-实时动态数据：包括电子病历（EMR）、移动设备定位数据、社交媒体搜索指数（如“感冒症状”相关搜索量）、环境数据（如PM2.5浓度、气温），这些数据颗粒度细但噪声大（如手机定位数据可能存在误差）；数据基础：多源异构数据的“清洗与融合”-专项调查数据：包括血清学调查（如抗体水平）、行为调查（如口罩佩戴率）、疫苗接种数据，这些数据针对性强但样本量有限。在2021年构建某省手足口病虚拟模型时，我们整合了12类数据源：从省疾控中心的法定报告系统，到互联网医院的“发热门诊”搜索数据，再到幼儿园的缺勤记录。为了解决“数据孤岛”问题，我们与省卫健委、通信管理局、教育厅建立了“数据共享机制”，并通过“数据脱敏”（如将手机定位数据转换为“社区级匿名轨迹”）和“质量校准”（如用血清学调查数据修正报告数据的漏报率），最终构建了覆盖全省1.2亿人口的“动态数据库”。数据基础：多源异构数据的“清洗与融合”2.数据处理的“技术栈”：-数据清洗：通过“缺失值填充”（如用历史均值填补PM2.5数据缺失）、“异常值检测”（如用箱线图识别“不合理”的体温数据）、“数据标准化”（如将不同医院的电子病历数据格式统一），解决“脏数据”问题；-数据融合：采用“联邦学习”技术，在不共享原始数据的前提下，在多个数据源间建立“联合模型”。例如，在整合医院电子病历和社区健康档案时，我们通过“特征对齐”（如将“高血压”的ICD编码统一为I10），实现了“数据可用不可见”；-数据更新：建立“实时数据流”机制，如接入核酸检测系统的“实时阳性数据”，每15分钟更新一次模型输入，确保模型反映最新疫情态势。算法核心：从“数学方程”到“智能算法”的迭代升级算法是虚拟模型的“大脑”，其核心功能是“从数据中挖掘规律，并模拟系统演化”。在实践中的算法选择，需平衡“准确性”与“可解释性”——既要精准预测，又要让决策者理解“为什么”。1.经典动力学算法的“改良”：SEIR模型是虚拟模型的“标配”，但传统SEIR模型假设“人群混合均匀”，这与现实中的“年龄分层”“空间异质性”严重不符。我们在构建某市流感虚拟模型时，对SEIR模型进行了“分层改良”：将人群分为“0-5岁（学龄前）、6-18岁（学龄）、19-60岁（成人）、60岁以上（老人）”四层，每层的“接触率”通过“活动日记调查”数据校准（如学龄儿童的“日接触次数”是成人的2.5倍），使模型的预测误差从传统的±30%降至±8%。算法核心：从“数学方程”到“智能算法”的迭代升级2.机器学习算法的“融合”：机器学习算法（如随机森林、LSTM神经网络）擅长处理“非线性关系”，可有效弥补传统模型的不足。在构建新冠重症风险预测模型时，我们采用“LSTM+注意力机制”：输入“年龄、基础病、疫苗接种时间、病毒载量”等时间序列数据，通过LSTM捕捉“时间依赖性”，通过注意力机制识别“关键预测因子”（如“未接种疫苗的糖尿病患者”的重症风险是普通人群的12倍），使模型的AUC（曲线下面积）达到0.92，显著高于传统逻辑回归模型（0.75）。算法核心：从“数学方程”到“智能算法”的迭代升级3.多智能体算法（ABM）的“精细化”：ABM的优势在于“模拟个体行为的异质性”，但其计算复杂度高（模拟10万个智能体需消耗大量算力）。我们在构建某高校疫情虚拟模型时，采用“混合ABM”策略：将“学生”智能体分为“走读生”“住校生”“留学生”，每类智能体的“社交活动”基于“课程表”“社团活动”“宿舍关系”等数据构建；同时，引入“强化学习”让智能体“自适应”行为变化（如当疫情加重时，学生会自动减少外出），使模型在“计算效率”和“行为真实性”间取得平衡。可视化与交互技术：从“数字结果”到“决策依据”的桥梁虚拟模型的价值，最终要通过“决策者可理解、可操作”的方式呈现。可视化与交互技术，是将复杂的模型输出转化为“直观信息”的关键。1.多维可视化：-时空可视化：通过GIS技术，将“病例分布”“传播路径”“风险等级”映射到地图上。例如，在2022年某省本土疫情期间，我们开发了“疫情热力图+传播链动态图”，决策者可直观看到“某超市聚集性事件导致的跨区传播路径”；-多指标可视化：通过“仪表盘”展示“Rt值（有效再生数）”“医疗资源使用率”“疫苗保护率”等核心指标，并设置“阈值预警”（如当Rt值>1.5时，仪表盘变红）；-情景对比可视化：通过“双屏对比”，展示不同干预措施的“模拟效果”（如“封控3天”vs“封控7天”的病例数曲线）。可视化与交互技术：从“数字结果”到“决策依据”的桥梁2.交互式决策支持系统：我们开发了“公共卫生虚拟模型决策平台”，决策者可通过“拖拽式操作”调整参数（如“疫苗接种覆盖率”“口罩佩戴率”），实时观察模型输出的变化。例如，在2023年某市登革热防控中，卫生局局长通过平台调整“蚊虫消杀频率”（从每周1次提升至每周2次），模型立即显示“未来1个月病例数将下降45%”，这一直观结果直接推动了消杀资源的投入。验证与迭代：从“模型上线”到“持续优化”的闭环虚拟模型不是“一次性构建”的工具，而是“持续迭代”的系统。模型的验证，是确保其可靠性的“最后一道关卡”。1.验证方法：-历史回溯验证：用历史数据（如2020年3-4月的疫情数据）训练模型，预测“已知结果”，计算“预测误差”（如MAE、RMSE）；-专家评估验证：组织流行病学、统计学、计算机科学专家，对模型的“参数合理性”“输出逻辑性”进行评审；-实时验证：在模型上线后，用“实际病例数”与“预测病例数”进行对比，动态调整参数（如当预测值持续高于实际值时，需降低“传播系数”）。验证与迭代：从“模型上线”到“持续优化”的闭环2.迭代机制：我们建立了“月度迭代+年度升级”的机制：每月根据最新数据和模型表现，优化算法参数（如调整“变异株传播力”参数）；每年根据新的科学认识（如新的疫苗保护数据、病毒变异规律），升级模型框架（如从“SEIR”升级为“SEIHR”增加“住院”状态）。四、虚拟模型的核心应用：从“疫情应对”到“健康治理”的场景拓展虚拟模型的应用场景，已从传统的“传染病防控”，拓展到“慢性病管理”“健康政策评估”“突发公共卫生事件应急”等多个领域，成为公共卫生体系的“数字神经系统”。突发传染病预警与溯源：与病毒赛跑的“数字雷达”传染病防控的核心是“早发现、早报告、早隔离、早治疗”，而虚拟模型通过“实时预警”和“精准溯源”，为“四早”提供了技术支撑。1.早期预警：传统预警依赖“病例数突增”的“信号”，但此时疫情已扩散多时。虚拟模型通过“多源数据融合”，可在“病例数上升”前捕捉“前兆信号”。例如，在2021年某省Delta变异株输入疫情中，模型通过分析“高风险地区流入人员核酸阳性率”“周边城市感冒症状就诊量”“社交媒体‘发烧’相关搜索量”等先行指标，提前7天发出“疫情输入风险预警”，为“机场健康码升级”“社区排查”争取了宝贵时间。突发传染病预警与溯源：与病毒赛跑的“数字雷达”2.精准溯源：传统溯源依赖“人工流调+基因测序”，但面对“传播链复杂、隐匿传播多”的疫情（如奥密克戎变异株），效率低下。虚拟模型通过“时空关联分析”和“传播网络重构”，可快速定位“传播源”。例如，在2022年某市本土疫情期间，一名无症状感染者的传播链涉及12个场所、300余人，人工流调耗时72小时；而虚拟模型通过整合其“14天行动轨迹”“接触人员核酸检测结果”和“病毒基因序列”，仅用12小时就重构出“3条核心传播链”，并识别出“某农贸市场”为超级传播场所，为精准封控提供了靶点。突发传染病预警与溯源：与病毒赛跑的“数字雷达”3.干预效果评估：在疫情防控中，“如何平衡防控效果与社会成本”是核心难题。虚拟模型通过“情景模拟”，可量化不同干预措施的“成本-效益比”。例如，在2023年某省流感季，我们模拟了“大规模核酸检测”“快速抗原自测”“重点人群保护”三种策略的效果，发现“快速抗原自测+老年人疫苗接种”的策略，可使“感染人数减少40%”的同时，“经济损失降低60%”，为政府提供了“最优解”。慢性病防控与管理：从“被动治疗”到“主动预防”的转型慢性病（如高血压、糖尿病、肿瘤）是我国居民的主要死因，其防控特点是“病程长、影响因素多、需长期管理”。虚拟模型通过“风险预测”“干预效果模拟”，推动慢性病防控从“治疗为中心”向“预防为中心”转型。1.个体风险预测：传统风险评估依赖“单一因素”（如“血压≥140/90mmHg”为高血压），而虚拟模型可整合“遗传、行为、环境”等多维度数据，实现“个体化风险预测”。我们在构建某市糖尿病虚拟模型时，纳入“年龄、BMI、家族史、饮食习惯、运动频率、睡眠质量、PM2.5暴露”等20个变量，通过“Cox回归模型”计算“10年糖尿病发病风险”，并开发“风险评分卡”（如“评分≥80分”为高风险人群），使高风险人群的识别率从传统的35%提升至68%。慢性病防控与管理：从“被动治疗”到“主动预防”的转型2.干预策略模拟：慢性病干预需考虑“长期依从性”和“成本效益”，虚拟模型可模拟“不同干预组合”的“长期效果”。例如，在研究某社区高血压防控时，我们模拟了“医生随访”“家庭自测”“健康短信提醒”“社区健康讲座”四种干预措施的效果，发现“医生随访+家庭自测”的组合可使“血压控制达标率”从45%提升至72%，且“人均年干预成本”最低（120元/人），为社区慢性病管理提供了“精准方案”。3.健康生态模拟：慢性病的发生与“社会生态”（如食品环境、运动环境、医疗资源分布）密切相关。虚拟模型通过“系统动力学”，模拟“健康生态”变化对慢性病的影响。例如，在构建某市肥胖症虚拟模型时，我们引入“快餐店密度”“公园覆盖率”“健康食品价格”等社会环境因素，慢性病防控与管理：从“被动治疗”到“主动预防”的转型发现“每增加1家快餐店/平方公里，青少年肥胖率上升3.2%”“每增加1个公园/10万人，肥胖率下降1.8%”，这一结论直接推动了“学校周边200米内限制快餐店开业”的政策出台。健康政策仿真：政策效果的“预实验场”健康政策（如疫苗接种、分级诊疗、控烟）的实施效果具有“滞后性”和“不可逆性”，一旦失误，可能造成巨大的社会成本。虚拟模型通过“政策仿真”，可在“虚拟空间”中测试政策效果，为“科学决策”提供依据。1.疫苗接种政策仿真：疫苗接种是防控传染病的“最经济手段”，但“优先接种谁？”“接种几剂？”等问题需科学决策。在2021年新冠疫苗接种初期，我们构建了“年龄分层+风险分层”的虚拟模型，模拟了“老年人优先”“医务人员优先”“青壮年优先”三种策略的效果，发现“老年人优先”策略可使“重症死亡人数减少60%”，而“青壮年优先”策略虽可“快速建立免疫屏障”，但“老年人死亡风险”会上升20%，这一结论直接推动了我国“老年人优先接种”政策的落地。健康政策仿真：政策效果的“预实验场”2.分级诊疗政策仿真：“基层首诊、双向转诊”是分级诊疗的核心，但“如何引导患者到基层就医”是难题。我们在构建某省分级诊疗虚拟模型时，纳入“医院等级、医疗费用、交通便利性、患者认知”等因素，模拟了“提高基层报销比例”“大医院预约挂号限制”“家庭医生签约激励”等政策的效果，发现“提高基层报销比例20%+大医院预约挂号限制”的组合，可使“基层就诊率”从30%提升至55%，同时“大医院拥挤度”下降40%，为分级诊疗政策的实施提供了“精准路径”。健康政策仿真：政策效果的“预实验场”3.控烟政策仿真：控烟是降低肺癌等慢性病发病率的“关键措施”，但“提高烟草税”“公共场所禁烟”等政策的效果需量化评估。我们在构建某市控烟虚拟模型时，引入“烟草价格”“吸烟率”“肺癌发病率”的反馈回路，模拟了“提高烟草税50%”“公共场所全面禁烟”“青少年控烟教育”的效果，发现“提高烟草税50%”可使“吸烟率下降15%”“肺癌发病率下降8%”，且“财政收入增加”，为控烟政策的制定提供了有力支撑。（四）突发公共卫生事件应急：从“经验决策”到“科学决策”的支撑突发公共卫生事件（如自然灾害、重大事故、生物恐怖）具有“突发性、破坏性、不确定性”，应急决策需“快速、精准”。虚拟模型通过“情景构建-资源优化-效果评估”，为应急响应提供“全流程支持”。健康政策仿真：政策效果的“预实验场”1.情景构建：传统应急响应依赖“应急预案”，但预案难以覆盖“复杂情景”（如“地震后疫情+医疗资源短缺”）。虚拟模型可通过“情景推演”，构建“最坏情况”下的“风险图谱”。例如，在2022年某地震灾害的应急演练中，我们构建了“地震后7天内的疫情传播模型”，模拟了“帐篷内人员密集、饮用水污染、医疗资源中断”等风险场景，预测“腹泻病发病率将上升5倍”“重伤员转运时间将延长3倍”，为“应急物资储备”“医疗队伍部署”提供了“场景化依据”。健康政策仿真：政策效果的“预实验场”2.资源优化：突发事件中，“资源（如医疗物资、人员、车辆）的优化配置”是关键。虚拟模型通过“需求预测-资源匹配-动态调整”，实现“资源效用最大化”。在2021年某洪灾应急响应中，我们通过模型预测“未来3天内，灾区需医疗帐篷200顶、急救药品500份、医护人员100人”，并与省卫健委的“资源数据库”对接，生成“最优配送方案”（如“优先配送至交通中断的乡镇”），使“资源到位时间”从传统的48小时缩短至12小时。3.效果评估：应急响应结束后，“如何评估干预效果”是总结经验的关键。虚拟模型通过“反事实模拟”（即“如果没有采取某项措施，会发生什么”），量化干预措施的“净效果”。例如，在评估2020年武汉封控措施的效果时，我们通过模型模拟“不封控”情景下的“传播曲线”，发现“封控使感染人数减少了96%”，为“封控措施的有效性”提供了科学证据。03虚拟模型面临的挑战与未来方向：在“理想与现实”间寻找平衡虚拟模型面临的挑战与未来方向：在“理想与现实”间寻找平衡尽管虚拟模型在公共卫生领域的应用取得了显著成效，但在实践中仍面临“数据、技术、伦理、协作”等多重挑战。同时，随着技术的进步，虚拟模型也呈现出“智能化、个性化、全球化”的发展趋势。当前面临的挑战1.数据质量与隐私保护的“两难”：虚拟模型依赖“高质量、多源数据”，但公共卫生数据往往涉及“个人隐私”（如病历、轨迹数据）。尽管“联邦学习”“数据脱敏”等技术可在一定程度上保护隐私，但“数据孤岛”问题依然突出：医院、疾控、交通等部门的数据难以共享，导致模型“数据输入不完整”。例如，在构建某市新冠虚拟模型时，因无法获取“流动人口的健康数据”，模型对“城中村传播风险”的预测准确度仅为65%。2.模型复杂性与可解释性的“矛盾”：为了提高预测准确性，虚拟模型越来越复杂（如融合ABM、深度学习等技术），但“黑箱模型”难以让决策者理解“预测结果的依据”。例如，当我们用深度学习模型预测“某区域新冠风险”时，模型输出“高风险”，但无法回答“为什么是该区域？是人口密度高还是疫苗接种率低？”，这降低了决策者对模型的信任度。当前面临的挑战3.跨学科协作的“壁垒”：虚拟模型的构建需要“流行病学专家+数据科学家+计算机工程师+政策制定者”的协同，但不同学科的语言体系、思维方式存在差异。例如，流行病学专家关注“模型的生物学合理性”，数据科学家关注“模型的算法精度”，政策制定者关注“模型的可操作性”，这种差异往往导致“模型与需求脱节”。4.伦理与法律问题的“边界”：虚拟模型的应用可能引发“伦理与法律风险”：如“算法偏见”（如模型对低收入人群的风险预测不准确）、“责任界定”（如因模型预测失误导致的防控不力，责任谁承担？）、“数据滥用”（如企业利用健康数据进行商业营销）。这些问题的解决，需要“技术+法律+伦理”的协同治理。未来发展方向1.AI与大数据的深度融合：从“数据驱动”到“知识驱动”：未来的虚拟模型将不仅依赖“数据”，更将“领域知识”（如流行病学理论、临床经验）融入算法。例如，通过“知识图谱”整合“病毒特性、传播规律、干预措施”等知识，构建“知识增强的虚拟模型”，解决“黑箱问题”；