基于多源医疗数据的急性呼吸道感染识别与时空聚集分析技术研究进展

基于多源医疗数据的急性呼吸道感染识别与时空聚集分析技术研究进展【摘要】急性呼吸道感染（ARIs）具有高发病率、强传播性及症状非特异性等特点，传统单一数据源监测体系难以满足早期预警需求。本文系统综述基于多源医疗数据的ARIs识别与时空聚集分析技术研究进展，围绕三大核心技术环节展开。医疗文本信息提取方面，相关方法从关键词匹配逐步演进至基于大语言模型的深度语义理解；多模态医疗数据融合方面，涵盖数据级、特征级与决策级3层融合策略；时空聚集分析方面，包括传统统计方法与人工智能模型。当前研究面临数据标准不统一、数据伦理与应用边界不清、空间维度信息不完整及模型可解释性不足等挑战，未来应推进医疗数据标准化与互联互通、研发兼具高效性与可解释性的混合建模框架，推动ARIs从被动识别向主动精准预警转型。【关键词】急性呼吸道感染；多源医疗数据；多模态融合；时空聚集分析；大语言模型急性呼吸道感染（ARIs）具有发病率高、传播速度快、人群普遍易感等特点，是导致门急诊就诊和住院的重要原因之一［1-3］。传统的呼吸道传染病监测预警依赖于医疗机构报告的几种法定管理传染病数据，数据来源单一，时效性差，难以及时发现ARIs的暴发和流行趋势［4］。ARIs涵盖了广泛的疾病谱系，由不同病原体引发的疾病在早期症状方面呈现出非特异性（如发热、咳嗽、咽痛等），具备显著的症候群特征［5］。因此，基于医疗数据的症候群监测逐渐成为传染病早期识别的重要手段，通过对患者主诉及临床表现的分析，可在确诊前捕捉疾病信号，从而实现ARIs的早发现与早预警［6］。随着电子病历系统（EMRS）的广泛应用，医疗机构积累了大量非结构化文本数据及结构化数据，这些多源数据为ARIs识别与时空聚集分析提供了重要数据基础［7］。然而，不同数据模态之间存在表达形式差异大、语义不一致及缺失等问题，如何融合文本与结构化信息实现多模态协同分析，仍是当前研究的关键挑战［8］。此外，基于地理信息数据开展疫情时空分析同样面临地址信息以自然语言形式记录、表达不规范等问题，难以直接划分为网格进行精细化空间分析［9］。近年来，大语言模型（LLMs）在文本理解与生成能力方面取得重要突破，多模态学习方法亦不断完善，为多源医疗数据的深度融合与智能分析提供了新的技术路径［10-11］。针对基于多源医疗数据的ARIs识别技术，目前尚缺乏系统性的专题综述，且较少将ARIs病例识别与时空聚集分析作为相互支撑的技术整体加以系统梳理。因此，本文系统梳理了基于多源医疗数据的ARIs识别与时空聚集分析相关技术研究进展，总结现有方法的主要特点与不足，并探讨未来发展方向。一、多源医疗数据类型、特征与应用挑战1.多源医疗数据的分类和特点：以EMRS为核心，并与医院信息系统、实验室信息系统、医疗影像归档与通信系统等互联互通的医院信息化体系，已成为多源医疗数据采集、存储与整合的重要载体，为ARIs监测提供了丰富的数据来源［12］。根据数据结构与表达形式的不同，医疗数据可划分为结构化数据、非结构化数据及半结构化数据［13］。（1）结构化数据：主要包括各类检验指标和部分标准化临床信息，涵盖血常规、炎症指标、体征及病原学检测结果（如流感病毒、呼吸道合胞病毒等）等［14-15］。该类数据格式规范、易于存储与计算，能够直接用于统计分析与机器学习建模，但通常难以完整反映患者的主观症状及临床过程信息。（2）非结构化数据：是医疗数据中最为丰富但利用率相对较低的部分，主要包括主诉、现病史、体格检查记录及肺部影像学报告等文本信息［16］。这类数据以自然语言形式记录，包含大量关于患者症状、病程进展及临床判断的关键信息，是开展症候群监测的重要数据来源，但表达方式灵活、存在同义词、缩写及语义歧义等问题，增加了信息提取与标准化处理的难度［17］。（3）半结构化数据：介于结构化与非结构化数据之间，常见如患者现住址、户籍地址、工作单位、学校地址等，虽具有一定层级框架（如省、市、区等），但具体内容缺乏统一标准、存在自由文本特征，故区别于格式固定且标准化的结构化数据，也不同于完全无组织形式的非结构化数据［18］。近年来，随着城市网格化管理的发展，可将管辖区域划分为标准化网格单元［19］，为ARIs空间分布研究提供了数据基础。2.多模态医疗数据特征：不同类型医疗数据在信息表达形式、语义层次及数据结构上存在显著差异，构成典型的多模态数据体系［20］。该体系的特征可从异构性、互补性、时间动态性3个维度加以理解。（1）异构性：不同数据模态的数据类型（如文本、数值、图像等）与存储形式不同，维度及分布特征差异较大，常面临模态缺失与样本不平衡问题，在建模过程中难以直接统一表示［21］。（2）互补性：结构化数据中的血常规等检验指标能够提供客观的量化支撑，而非结构化医疗文本数据则能够补充患者个体主观感受、症状和体征及临床判断等信息，两者结合有助于更全面地刻画疾病特征［22］。（3）时间动态性：ARIs患者在不同就诊阶段产生的多模态诊疗数据具有时间序列特征，如早期的发热、咳嗽等上呼吸道症状，可能进一步出现高热、炎症指标升高及肺部影像学进展，这些动态变化信息对于疾病发展过程的刻画具有重要意义，但在实际研究中往往未得到充分利用。3.多源医疗数据的应用挑战：尽管多源医疗数据为ARIs识别与监测提供了重要支撑，但在实际应用过程中仍面临诸多挑战。（1）机构间数据标准差异：同一地区不同医疗机构在电子病历书写规范、术语使用及数据格式方面存在差异，导致数据之间缺乏统一标准，增加了跨机构数据整合与分析的难度［23］，亟需通过自然语言处理技术（NLP）实现语义归一化。（2）系统间数据融合挑战：同一医疗机构内，诊疗数据往往分散于不同信息管理系统，如EMRS、实验室信息系统等。各系统之间数据结构不一致，接口标准不统一，限制了多模态医疗数据的高效整合［24］。不同模态数据之间在时间、空间及语义层面的对齐问题，也对数据融合方法提出了更高要求。（3）数据隐私与安全问题：医疗数据涉及患者个人隐私信息，在数据采集、存储及分析过程中需严格遵循相关法律法规，确保数据脱敏与安全使用［25］。如何在保障数据安全的前提下实现数据价值最大化，是当前亟待解决的重要问题。（4）数据伦理与应用边界问题：患者就诊数据的初始授权范围通常仅限于临床诊疗目的，当其被用于模型训练或数据共享时，可能超出知情同意边界，存在伦理合规风险［26］。此外，人工智能模型常因研究假设或建模方式而存在潜在的偏见，无意中导致不公平且可能产生负面影响的结果［27］。因此，在研究项目立项前须开展严格的伦理审查，以规范多源医疗数据在ARIs识别和监测中的合理应用。二、医疗文本信息提取与语义感知技术基于非结构化医疗文本的ARIs识别面临着文本数据的信息提取与语义理解难题。现有研究已提出多种技术方法，可实现从临床文本信息中自动抽取关键临床信息。然而，相关方法在ARIs相关症候群，如流感样病例（ILI）识别中的实际应用仍需要逐步完善。1.传统关键词匹配：早期研究多采用基于规则的关键词匹配方法，如关键词词典匹配和正则表达式等，通过预定义症状词汇或组合规则，实现对特定症候群的快速识别［28-29］。该类方法实现简单、计算效率高，在数据规模较小或任务目标明确的场景中具有一定实用价值。然而，医疗文本具有表达方式多样、语义复杂等特点，同一症状存在多种描述、单纯依赖关键词匹配难以覆盖全部表达情况。此外，规则判断方法通常缺乏对上下文语义的理解能力，难以处理否定表达（如“无发热”）或复杂语境，在复杂临床文本场景中的适用性有限。2.机器学习、深度学习技术：随着计算能力的提升，基于机器学习和深度学习的方法可从主诉等文本数据中自动识别ILI或其他ARIs相关症候群。传统机器学习方法（如支持向量机等）通常基于特征工程，通过学习词项与ARIs症候群标签之间的统计关联，实现对ARIs相关症状模式的分类与初步识别［30］。深度学习方法（如卷积神经网络等）则通过构建端到端模型，从原始文本中自动学习上下文语义表示，能够捕捉症状之间的序列关系及组合特征，从而更有效地挖掘ARIs症候群的潜在语义模式，减少对人工特征工程的依赖［31］。近年来，基于预训练模型的深度学习方法，如基于Transformer的双向编码器表征（BERT）模型，利用大规模语料预训练与微调，在ARIs症候群识别任务中取得了显著进展。例如，贾萌萌等［32］在基于BERT的ARIs识别研究中，对比人工判定的参考标准，灵敏度和特异度分别达到了92.67%和96.45%。尽管如此，这类方法性能高度依赖大规模标注数据，在长尾分布的临床数据中，对少见或非典型症状的识别能力有限，且深度学习模型通常缺乏良好的可解释性，限制了其在医学问题实际应用中的推广。3.NLP：NLP的发展为医疗文本结构化提供了重要支撑。基于NLP的方法通常包括命名实体识别、关系抽取及语义解析等步骤，通过将非结构化文本转化为结构化症状信息，实现对ARIs症候群的精细化描述［33］。在具体应用中，通过构建医学词典或知识图谱，可实现症状实体的标准化映射，结合依存句法分析与上下文语义理解，进一步识别ARIs症状的修饰信息及其逻辑关系。例如，许思遥等［34］提出基于语言模型的中文电子病历依存句法分析方法，标签依存准确率达92.42%，可为ARIs症状识别提供基础；Wang等［35］通过医学知识图谱建模语义关系，使算法处理效率提升至传统图卷积神经网络的3.4倍，医学术语识别准确率超过90%。然而，医疗文本具有高度异质性和非规范性，使得传统NLP方法在实际应用中仍面临语义歧义和泛化能力不足等问题［36］。4.LLMs：近年来，LLMs的快速发展为ARIs相关医疗文本语义理解提供了新的技术路径。基于大规模语料预训练的模型在上下文建模和语义表示方面表现出显著优势，能够更好地捕捉复杂症状描述及隐含语义信息，在症候群识别任务中展现出较高潜力［37］。例如，在Pak等［38］的研究中，利用Llama-3（8B）模型从近10万份入院记录中提取患者的体征与症状，识别准确率达99.3%，平衡准确率为84.6%，证明LLMs能够精准地捕捉患者的临床症状并归类为ARIs症候群。在ARIs症候群提取过程中，LLMs可通过提示工程或微调，从主诉、现病史等自由文本中直接识别关键症状实体，并结合上下文语义对症状进行归一化与补全，进而对症状组合进行语义整合，实现对典型ARIs症候群的自动判别。LLMs虽具备强大临床文本处理能力，但在医疗场景中的应用仍面临多方面挑战：模型决策过程具有“黑箱”特性，缺乏透明的推理机制，难以满足临床对可解释性的要求；参数规模庞大，对计算资源需求较高，限制了其在基层医疗机构的部署［39］；LLMs通常依赖通用语料进行预训练，在处理专业医疗语境及新发公共卫生事件时，可能存在适应性不足的问题；同时，医疗数据涉及隐私与安全，相关法规限制了云端模型调用，增加了本地化部署的技术难度［40］。三、多模态医疗数据融合技术在单一医疗文本数据基础上开展ARIs症候群识别，难以全面反映疾病的复杂特征。对于肺炎、重症肺炎及不明原因ARIs，其早期精准识别需依赖症状表现、血常规和炎症指标、病原学检测结果及肺部影像学检查等多维信息的综合判断［41］。因此，融合多源医疗数据的多模态学习方法逐渐成为ARIs智能识别的重要研究方向。根据融合操作在模型中所处的位置，现有的多模态医疗数据融合技术主要可分为数据级、特征级和决策级3个层级［42］。1.数据级融合技术：属于早期策略，主要在数据预处理阶段或预处理之后对不同来源的原始数据进行统一整合，通过数据标准化、时间对齐及格式转换等操作，实现多源信息的初步融合［43-45］。例如，郭玉清等［46］融合多家哨点医院收集的ARIs监测数据，整合人口学信息、临床症状体征及病原检测信息，统计得出灵敏度为71.63%的ARIs监测定义。对于ARIs症候群识别，该方法可将症状信息、结构化检验指标、病原学检测结果及患者地理位置等数据在个体层面进行整合，构建包含“症状-检验-检查-空间位置”的统一数据表，为症候群识别及后续时空分析提供基础数据支撑。然而，不同模态数据在采集时间、采样率及格式上存在巨大差异，数据级融合对异构数据的格式差异十分敏感，且往往伴随复杂的数据匹配过程。2.特征级融合技术：是多源数据融合的中期策略，也是当前多模态医疗数据融合的主流方向。该方法在特征提取阶段对不同模态数据进行整合，通过构建统一的特征表示，增强模型对ARIs症候群特征的表达能力［47］。在ARIs识别应用中，可首先利用NLP或预训练模型从临床文本中提取症状特征，结合检验指标、病原学结果及影像报告等信息进行向量化表示，随后通过深度学习模型实现多模态特征融合［48］。此外，利用图网络构建临床知识图谱（CKGs）也是重要趋势［49］。例如，Chen等［50］利用图注意力机制提取电子病历、临床病程及基因等多源多模态医疗数据的特征并构建CKGs，在肺部相关疾病识别中准确率达0.949，召回率达0.936，显著优于传统模型。在时空分析场景中，Zhang等［51］构建融合百度搜索指数与ILI监测数据的多注意力双向门控循环单元和易感-暴露-感染-移除混合模型，估计了北京市新型冠状病毒（新冠）感染疫情累计感染率发展态势及达峰日期；Jang等［52］将气象因子与临床监测数据进行异构融合，构建基于带外生变量的季节性自回归积分滑动平均模型和长短期记忆模型（LSTM）的混合模型，流感趋势预测的平均绝对误差（MAE）低至4.33，均方根误差（RMSE）为6.33，显著优于单一LSTM（MAE为7.30，RMSE为11.50）。然而，特征级融合对特征提取质量依赖较高，在样本量有限或数据分布不均的情况下模型稳定性可能受到影响，且不同数据来源间的信息整合过程缺乏直观解释，可能影响其在实际应用中的透明度与可接受性。3.决策级融合技术：属于后融合策略，分别针对不同模态构建独立模型，再对各模型的预测结果进行加权融合或集成学习，形成综合性判定结论［53-54］。在ARIs识别中，可分别基于临床文本、实验室检测指标及影像学信息构建独立模型，对各模型输出进行综合判定，实现病例识别与严重程度分级评估。针对跨机构多中心数据共享面临的隐私保护制约，联邦学习为分布式决策级融合提供了关键技术支撑［55］。例如，Wang等［56］提出基于联邦学习的隐私保护异构多模态融合框架PHMS-Fed，在跨机构全模态场景下生理监测准确率达0.939，融合准确率达0.959，整体隐私保护性能较基线方法提升25.6%，跨机构监测准确率提升23.4%。将联邦学习框架引入ARIs多模态融合分析，可在各医疗机构保留原始患者数据的前提下实现跨机构症候群识别模型的协同训练。目前决策级融合在ARIs多源医疗数据场景中的研究仍较为有限，且整体性能高度依赖各单模态基础模型的预测精度，各模型独立训练的方式也可能导致模态间语义关联信息损失。经上述文本信息提取与语义感知技术处理，以及多模态医疗数据融合方法的综合应用，结合具体的ARIs诊断标准，不仅可以实现基于单一文本数据的症候群识别，还可支持涉及多模态医疗数据的复杂ARIs疾病识别。识别结果将以结构化形式输出个体病例的症候群类型、发病时间及空间位置等关键信息，这些信息可直接作为群体层面时空聚集分析的个体病例数据输入，为后续聚集探测与早期预警提供数据基础。四、ARIs时空聚集分析方法呼吸道病毒主要通过飞沫和气溶胶传播，具有传播速度快、易在人群聚集场所引发暴发的特点。在完成个体层面ARIs病例识别并获取结构化个体病例输出信息的基础上，进一步从群体层面分析其时空分布特征，对于揭示疾病传播规律、识别聚集性疫情及实现早期预警具有重要意义。结合病例识别结果与地理信息数据开展高分辨率时空分析，已成为ARIs监测研究的重要发展方向。1.时空聚集分析数据基础与预处理：时空聚集分析依赖于高质量的病例数据与空间位置信息。传统研究多基于公共卫生部门的监测数据、检测结果数据或医院确诊病例数据［57］，而在未来基于医疗大数据的ARIs监测研究中，个体病例数据可来源于前述症候群识别与多模态医疗融合模型输出结果，从而实现更早期的ARIs病例捕捉与时空分析。空间信息方面，ARIs患者的地址信息需借助NLP技术进行解析与标准化处理，并通过地理编码方法将其转换为经纬度坐标或匹配至标准化空间单元。在执行经纬度坐标匹配时，大多数主流地图服务平台的地址数据，可精确到门牌号，约70%的数据误差在50m内，超过90%的误差在500m内［58］。在此基础上，可进一步结合城市网格化管理相关数据，构建统一的空间分析框架，提升分析的空间分辨率。时空分析还需对数据进行时间对齐与质量控制，如统一时间粒度、去除异常值及处理重复记录等，数据预处理质量直接影响后续分析结果的可靠性。2.传统时空聚集分析方法：主要基于统计学模型，具有理论成熟、可解释性强等优点。（1）空间自相关分析：通过全局或局部统计量，如Moran'sI，评估ARIs在空间上的分布特征和聚集程度［59］。例如，Yin等［60］分析2014-2023年新疆维吾尔自治区流感发病率，全局自相关显示，流感流行存在显著空间正相关性，2023年聚集强度达峰值（Moran'sI=0.98），并识别出北疆地区“高-高”聚集与南疆地区“低-低”分布的南北差异。该方法计算简便、结果直观，但主要关注空间上的静态分布，难以捕捉ARIs在时空双维度上的连续扩散轨迹。（2）空间扫描统计方法：通过在研究区域内移动不同尺度的时空窗口，比较窗口内外观察病例数与期望值之间的差异，从而识别显著聚集区域。例如，Guan等［61］对2013-2022年ILI监测数据进行分析，识别出6个显著聚集区，主要聚集中心位于中国南方地区，对数似然比最高达2316.56，RR值为42.41。该方法可灵活调整扫描窗口，给出聚集区域的具体位置和相对风险，但对模型参数较为敏感。（3）核密度估计方法：是一种用于描述病例空间分布连续性特征的非参数方法，通过平滑处理生成疾病风险分布图，直观展示ARIs疫情热点区域。例如，Lucas等［62］通过核密度分析，发现巴西圣保罗州的ILI热点区域高度集中在人口密集的养老机构、学校和监狱系统中。该方法主要侧重于描述性的视觉展示，缺乏严谨的统计显著性检验机制［63］。（4）贝叶斯时空模型，通过构建层次化的概率模型，有效融合空间、时间及复杂的协变量信息，在统一的框架内处理ARIs数据的空间异质性和时间依赖性［64］。例如，Mullineaux等［65］利用贝叶斯时空模型分析英格兰312个行政区的新冠感染发病数据，精确识别出肯特郡、曼彻斯特等高风险聚集区域，并量化了气象条件对疾病传播的影响。该方法具有高度灵活性和强大的不确定性量化能力，但对先验结构设计依赖较强，计算成本较高。上述4种方法功能各有侧重、互为补充。空间自相关分析适合判断整体聚集趋势；空间扫描统计可精确定位显著聚集区域；核密度估计直观呈现疫情热点的地理形态；贝叶斯时空模型则可进一步引入多维协变量对风险驱动因素进行统计推断，4种方法的协同应用可构成较为完整的ARIs时空聚集分析框架。3.数据驱动的人工智能时空分析方法：基于数据驱动和人工智能技术的时空分析方法逐渐兴起，与传统统计方法相比，该类方法能够从多源医疗数据与空间信息中自动学习ARIs的复杂时空演化模式，在处理高维、非线性及多空间尺度数据方面具有显著优势。在时空聚集模式挖掘方面，机器学习方法通过整合空间距离与时间序列特征，动态揭示ARIs在不同聚集单元之间的关联特征与时间滞后关系。例如，Kamran等［66］构建融合空间距离与时间序列数据的机器学习聚类模型，区域关联识别准确率达81%，聚集滞后时间预测误差在1d内的准确率达70%。在多空间尺度序列预测方面，深度学习时序模型通过学习ARIs发病率的历史动态规律，实现对不同地理层级疫情聚集风险的预测。例如，Aiken等［67］构建门控循环单元神经网络模型，对美国37个州和159个城市的ILI活动进行多空间分辨率预测，在4周和8周长报告延迟条件下，州级预测误差较最优基线模型降低35%~51%，城市级预测误差降低45%~59%。在时空联合建模方面，时空图神经网络将地理空间单元构建为图结构节点，同步捕捉疾病在空间维度上的邻域聚集联动关系与时间维度上的动态演化规律。例如，Gulmohamed等［68］针对登革热构建动态图建模与多源特征融合框架，融合气温、降雨量、人口密度及历史病例等多源异构特征，实现对未来1周与4周发病数的预测。该研究所构建的动态图建模与多源特征融合框架，对ARIs时空聚集风险预测研究也具有借鉴意义。总体而言，数据驱动的人工智能时空分析方法具备处理数据高维非线性特征、捕捉复杂时空聚集模式的能力，但模型结构复杂、可解释性相对较弱，在实际公共卫生问题中的应用仍需进一步验证。综合前述各项核心技术环节，本文梳理并构建了多源数据驱动的ARIs识别与时空聚集分析全链路流程（图1）。该流程以ILI等典型呼吸道传染病为例，自上而下地系统呈现了从多源医疗数据获取与预处理，到文本语义感知与多模态医疗数据协同融合，以及ARIs病例智能识别与时空聚集分析的完整技术闭环。五、总结与展望1.总结：综上所述，基于多源医疗数据的ARIs识别与时空聚集分析技术，正逐步突破传统单一数据源监测的局限，形成以“多源数据预处理-文本信息提取和语义感知-多模态医疗数据融合-时空聚集分析”为核心的全链路研究框架。非结构化医疗文本结合NLP及LLMs等技术，有效提升了ARIs症状的深层语义理解与信息抽取能力；多模态医疗数据融合方法通过整合医疗文本、检验指标及影像报告等多源信息，为复杂疾病精准识别提供了核心支撑；进一步结合地址解析与空间建模技术，时空聚集分析打通了从个体识别向群体监测的演进路径，为实现从被动响应向主动、精准的公共卫生预警决策转型提供了技术保障。2.存在的问题和展望：尽管相关研究取得了一定进展，但仍面临诸多挑战。数据层面，不同医疗机构之间数据标准不统一、系统间互联互通不足，限制了多源数据的高效整合与共享；方法层面，多模态医疗数据融合及LLMs等方法普遍存在“黑箱”特征，缺乏清晰的决策依据，难以满足医学领域对可解释性与可靠性的要求；应用层面，大数据分析需要消耗大量算力资源，在基层地区难以推广先进的人工智能方法；此外，当前时空聚集研究中空间维度数据的不完整性与个体暴露轨迹的不确定性仍是核心瓶颈，亟需构建全链路数据收集体系并在分析方法上实现突破。未来研究可从3个层面深化：（1）在数据层面，持续推进医疗数据标准化与互联互通，依托隐私计算、数据脱敏与联邦学习等技术完善数据采集与使用体系，并严格遵循伦理审查机制，在保障数据安全与伦理合规的前提下充分释放数据价值。（2）在识别方法层面，探索融合LLMs深层语义理解能力与传统统计或规则方法确定性优势的混合建模框架，构建兼具高效性与可解释性的ARIs症候群识别体系，提升模型在真实世界场景中的可靠性与可推广性。（3）在时空分析层面，结合高分辨率人口网格数据、人口流动信息及实时ARIs病例识别结果，构建多尺度、可动态更新的时空分析模型，实现从“事后分析”向“实时预警”的转型。参考文献1WorldHealthOrganization.Respiratoryvirusessurveillancebulletin[EB/OL].[2026-03-19]./westernpacific/wpro-emergencies/surveillance/respiratory-viruses.2LiZJ,ZhangHY,RenLL,etal.EtiologicalandepidemiologicalfeaturesofacuterespiratoryinfectionsinChina[J].NatCommun,2021,12(1):5026.DOI:10.1038/s41467-021-25120-6.3DavidsonJA,BanerjeeA,SmeethL,etal.RiskofacuterespiratoryinfectionandacutecardiovasculareventsfollowingacuterespiratoryinfectionamongadultswithincreasedcardiovascularriskinEnglandbetween2008and2018:aretrospective,population-basedcohortstudy[J].LancetDigitalHealth,2021,3(12):e773-783.DOI:10.1016/S2589-7500(21)00203-X.4RadinJM,WineingerNE,TopolEJ,etal.Harnessingwearabledevicedatatoimprovestate-levelreal-timesurveillanceofinfluenza-likeillnessintheUSA:apopulation-basedstudy[J].LancetDigitalHealth,2020,2(2):e85-93.DOI:10.1016/S2589-7500(19)30222-5.5唐金凤,雷红,刘美辰,等.2018-2023年北京市大兴区发热呼吸道症候群监测病例中12种病原体的流行特征分析[J].中华预防医学杂志,2025,59(4):478-483.DOI:10.3760/112150-20240909-00716.TangJF,LeiH,LiuMC,etal.Analysisof12PathogensinsurveillancecasesoffebrilerespiratorysyndromeinDaxingdistrictofBeijingCityfrom2018to2023[J].ChinJPrevMed,2025,59(4):478-483.DOI:10.3760/112150-20240909-00716.6BoenderTS,CaiW,SchranzM,etal.Usingroutineemergencydepartmentdataforsyndromicsurveillanceofacuterespiratoryillness,Germany,week102017untilweek102021[J].Eurosurveillance,2022,27(27):2100865.DOI:10.2807/1560-7917.ES.20100865.7MaiselP,BaumE,Donner-BanzhoffN.Fatigueasthechiefcomplaint:epidemiology,causes,diagnosis,andtreatment[J].DeutschesÄrzteblattInt,2021,118(33/34):566-576.DOI:10.3238/arztebl.m2021.0192.8ShahKA,HalimZ,AnwarS,etal.Multi-sensordatafusionforsmarthealthcare:optimizingspecialty-basedclassificationofimbalancedEMRs[J].InfFusion,2026,125:103503.DOI:10.1016/j.inffus.2025.103503.9Pujante-OtaloraL,CamposM,JuarezJM,etal.Spatiotemporaldatamodellingforepidemiologicalresearchinhospitals[J].IEEEJBiomedHealthInf,2024,28(10):6280-6291.DOI:10.1109/JBHI.2024.3417224.10ThirunavukarasuAJ,TingDSJ,ElangovanK,etal.Largelanguagemodelsinmedicine[J].NatMed,2023,29(8):1930-1940.DOI:10.1038/s41591-023-02448-8.11OmiyeJA,GuiHW,RezaeiSJ,etal.Largelanguagemodelsinmedicine:thepotentialsandpitfalls:anarrativereview[J].AnnInternMed,2024,177(2):210-220.DOI:10.7326/M23-2772.12霍大柱,张婷,崔金朝,等.呼吸道传染病多源监测数据整合与预警指标应用研究进展[J].中华预防医学杂志,2025,59(8):1311-1319.DOI:10.3760/112150-20250117-00055.HuoDZ,ZhangT,CuiJZ,etal.Advancesinmulti-sourcesurveillancedataintegrationandapplicationofearlywarningindicatorsforrespiratoryinfectiousdiseases[J].ChinJPrevMed,2025,59(8):1311-1319.DOI:10.3760/112150-20250117-00055.13中国医学科学院北京协和医学院群医学及公共卫生学院,北京大学公共卫生学院,中国疾病预防控制中心传染病管理处,等.传染病多点触发智慧化监测预警系统关键技术专家共识[J].中华医学杂志,2024,104(32):2995-3009.DOI:10.3760/112137-20240612-01317.SchoolofPopulationMedicineandPublicHealthofChineseAcademyofMedicalSciencesandPekingUnionMedicalCollege,SchoolofPublicHealthofPekingUniversity,DivisionofInfectiousDiseaseofChineseCenterforDiseaseControlandPrevention,etal.Expertconsensusonthekeytechnologiesforamulti-pointtriggerintelligentsurveillanceandearlywarningsystemforinfectiousdiseases[J].NatlMedJChina,2024,104(32):2995-3009.DOI:10.3760/112137-20240612-01317.14VaughnVM,DicksonRP,HorowitzJK,etal.Community-acquiredpneumonia:areview[J].JAMA,2024,332(15):1282-1295.DOI:10.1001/jama.2024.14796.15DuffyCR,HartJM,ModestAM,etal.Lymphopeniaandsevereacuterespiratorysyndromecoronavirus2(SARS-CoV-2)infectionamonghospitalizedobstetricpatients[J].ObstetGynecol,2020,136(2):229-231.DOI:10.1097/aog.0000000000003984.16SprecoA,JöudA,ErikssonO,etal.Nowcasting(short-termforecasting)ofCOVID-19hospitalizationsusingsyndromichealthcaredata,Sweden,2020[J].EmergInfectDis,2022,28(3):564.DOI:10.3201/eid2803.210267.17BerdahlCT,HenreidAJ,PevnickJM,etal.Digitaltoolsdesignedtoobtainthehistoryofpresentillnessfrompatients:scopingreview[J].JMedInternetRes,2022,24(11):e36074.DOI:10.2196/36074.18焦然,许小可.呼吸道传染病聚集性疫情的传播网络分析[J].复杂系统与复杂性科学,2025,22(3):11-16.DOI:10.13306/j.1672-3813.2025.03.002.JiaoR,XuXK.Transmissionnetworkanalysisofrespiratoryinfectiousdiseaseclusters[J].ComplexSystComplexitySci,2025,22(3):11-16.DOI:10.13306/j.1672-3813.2025.03.002.19许普乐,王杨,黄亚坤,等.大数据环境下基于贝叶斯推理的中文地名地址匹配方法[J].计算机科学,2017,44(9):266-271.DOI:10.11896/j.issn.1002-137X.2017.09.050.XuPL,WangY,HuangYK,etal.Chineseplace-nameaddressmatchingmethodbasedonlargedataanalysisandBayesiandecision[J].ComputSci,2017,44(9):266-271.DOI:10.11896/j.issn.1002-137X.2017.09.050.20ZhaoF,ZhangCC,GengBC.Deepmultimodaldatafusion[J].ACMComputSurv,2024,56(9):216.DOI:10.1145/3649447.21ZhaoXX,SunBZ,ChuXL,etal.Adecision-makingapproachunderuncertaintybasedonensemblelearningmodelwithmultimodaldataanditsapplicationinmedicaldiagnosis[J].ExpSystAppl,2025,265:125983.DOI:10.1016/j.eswa.2024.125983.22AcostaJN,FalconeGJ,RajpurkarP,etal.MultimodalbiomedicalAI[J].NatMed,2022,28(9):1773-1784.DOI:10.1038/s41591-022-01981-2.23YangX,ChenAK,PournejatianN,etal.Alargelanguagemodelforelectronichealthrecords[J].npjDigitalMed,2022,5(1):194.DOI:10.1038/s41746-022-00742-2.24杨鑫禹,牟冬梅,王萍,等.电子病历数据如何驱动临床决策?——驱动过程与影响因素研究[J].现代情报,2025,45(2):160-177.DOI:10.3969/j.issn.1008-0821.2025.02.014.YangXY,MouDM,WangP,etal.Howelectronicmedicalrecorddatadriveclinicaldecision-making?——Thestudyofdrivingprocessandinfluencingfactors[J].JModInf,2025,45(2):160-177.DOI:10.3969/j.issn.1008-0821.2025.02.014.25牛淑芬,陈俐霞,李文婷,等.基于区块链的电子病历数据共享方案[J].自动化学报,2022,48(8):2028-2038.DOI:10.16383/j.aas.c190801.NiuSF,ChenLX,LiWT,etal.Electronicmedicalrecorddatasharingschemebasedonblockchain[J].ActaAutomSin,2022,48(8):2028-2038.DOI:10.16383/j.aas.c190801.26WeinerEB,Dankwa-MullanI,NelsonWA,etal.Ethicalchallengesandevolvingstrategiesintheintegrationofartificialintelligenceintoclinicalpractice[J].PLoSDigitalHealth,2025,4(4):e0000810.DOI:10.1371/journal.pdig.0000810.27HannaMG,PantanowitzL,JacksonB,etal.Ethicalandbiasconsiderationsinartificialintelligence/machinelearning[J].ModPathol,2025,38(3):100686.DOI:10.1016/j.modpat.2024.100686.28GailletA,LayeseR,FouratiS,etal.Clinicalphenotypesandoutcomesassociatedwithrespiratorysyncytialvirusinfectionincriticallyillpatients:aretrospectivemulticentercohortstudyinGreaterParisAreaHospitals,2017-2023[J].JInfectDis,2025,232(3):679-690.DOI:10.1093/infdis/jiaf129.29LiuC,JiaoYS,SuLC,etal.Effectiveprivacyprotectionstrategiesforpregnancyandgestationinformationfromelectronicmedicalrecords:retrospectivestudyinanationalhealthcaredatanetworkinChina[J].JMedInternetRes,2024,26(1):e46455.DOI:10.2196/46455.30GovindharajanG,SubramanianS,DoraipandianM,etal.Innovativeai-drivenmodelsforpredictingpolycysticovariansyndrome:anextensivereviewofmachinelearninganddeeplearningframeworks[J].ArchComputMethodsEng,2026,33(2):2115-2140.DOI:10.1007/s11831-025-10358-w.31YangZY,ShikanyA,NiYZ,etal.UsingdeeplearningandelectronichealthrecordstodetectNoonansyndromeinpediatricpatients[J].GenetMed,2022,24(11):2329-2337.DOI:10.1016/j.gim.2022.08.002.32贾萌萌,刘晞照,漆莉,等.基于电子病历的预训练模型在急性呼吸道感染识别中的应用[J].中华预防医学杂志,2022,56(11):1543-1548.DOI:10.3760/1112150-20220805-00789.JiaMM,LiuXZ,QiL,etal.Applicationofpretrainedmodelbasedonelectronicmedicalrecordinrecognitionofacuterespiratoryinfection[J].ChinJPrevMed,2022,56(11):1543-1548.DOI:10.3760/1112150-20220805-00789.33LeGlazA,HaralambousY,Kim-DuforDH,etal.Machinelearningandnaturallanguageprocessinginmentalhealth:systematicreview[J].JMedInternetRes,2021,23(5):e15708.DOI:10.2196/15708.34许思遥,曾健骏,张维彦,等.基于大小语言模型协同增强的中文电子病历依存句法分析[J].计算机科学,2025,52(2):253-260.DOI:10.11896/jsjkx.2312000054.XuSY,ZengJJ,ZhangWY,etal.DependencyparsingforChineseelectronicmedicalrecordenhancedbydual—scalecollaborationoflargeandsmalllanguagemodels[J].ComputSci,2025,52(2):253-260.DOI:10.11896/jsjkx.2312000054.35WangX,LuoZJ,HeR,etal.Novelmedicalquestionandanswersystem:graphconvolutionalneuralnetworkbasedwithknowledgegraphoptimization[J].ExpSystAppl,2023,227:120211.DOI:10.1016/j.eswa.2023.120211.36BorjaliA,MagnéliM,ShinD,etal.Naturallanguageprocessingwithdeeplearningformedicaladverseeventdetectionfromfree-textmedicalnarratives:acasestudyofdetectingtotalhipreplacementdislocation[J].ComputBiolMed,2021,129:104140.DOI:10.1016/pbiomed.2020.104140.37RiderNL,LiYY,ChinAT,etal.Evaluatinglargelanguagemodelperformancetosupportthediagnosisandmanagementofpatientswithprimaryimmunedisorders[J].JAllergyClinImmunol,2025,156(1):81-87.DOI:10.1016/j.jaci.2025.02.004.38PakTR,KanjilalS,MckennaCS,etal.Syndromicanalysisofsepsiscohortsusinglargelanguagemodels[J].JAMANetworkOpen,2025,8(10):e2539267.DOI:10.1001/jamanetworkopen.2025.39267.39LiuFL,ZhuTT,WuX,etal.Amedicalmultimodallargelanguagemodelforfuturepandemics[J].npjDigitalMed,2023,6(1):226.DOI:10.1038/s41746-023-00952-2.40HuangHY,ZhengO,WangDD,etal.ChatGPTforshapingthefutureofdentistry:thepotentialofmulti-modallargelanguagemodel[J].IntJOralSci,2023,15(1):29.DOI:10.1038/s41368-023-00239-y.41琦波尔,王晴,王菊,等.不明原因肺炎监测的现状、挑战及实施路径概述[J].中华流行病学杂志,2025,46(5):914-920.DOI:10.3760/112338-20241022-00648.QiBE,WangQ,WangJ,etal.Surveillanceforpneumoniaofunknownetiology:currentstatus,challenges,andimplementationways[J].ChinJEpidemiol,2025,46(5):914-920.DOI:10.3760/112338-20241022-00648.42崔立真,孙晓芳,刘宁,等.多源异构医疗大数据融合与分析技术[J].山东大学学报(工学版),2026,56(1):1-13,25.DOI:10.6040/j.issn.1672-3961.0.2025.194.CuiLZ,SunXF,LiuN,etal.Multi-sourceheterogeneousmedicalbigdatafusionandanalysistechnology[J].JShandongUniv(EngSci),2026,56(1):1-13,25.DOI:10.6040/j.issn.1672-3961.0.2025.194.43TorresABB,DaRochaAR,DaSilvaTLC,etal.Multileveldatafusionfortheinternetofthingsinsmartagriculture[J].ComputElectronAgric,2020,171:105309.DOI:10.1016/pag.2020.105309.44ZhangPF,LiTR,YuanZ,etal.Adata-levelfusionmodelforunsupervisedattributeselectioninmulti-sourcehomogeneousdata[J].InfFusion,2022,80:87-103.DOI:10.1016/j.inffus.2021.10.017.45PanY,LeiXJ,ZhangYC.Associationpredictionsofgenomics,proteinomics,transcriptomics,microbiome,metabolomics,pathomics,radiomics,drug,symptoms,environmentfactor,anddiseasenetworks:acomprehensiveapproach[J].MedResRev,2022,42(1):441-461.DOI:10.1002/med.21847.46郭玉清,林帆,连怡遥,等.医疗机构发热呼吸道症候群监测病例定义筛选与评估研究[J].疾病监测,2024,39(5):616-621.DOI:10.3784/jbjc.202311220620.GuoYQ,LinF,LianYY,etal.Casedefinitionselectionandevaluationresearchofthehospital-basedfebrilerespiratorysyndromicsurveillance[J].DisSurveill,2024,39(5):616-621.DOI:10.3784/jbjc.202311220620.47范勇,张政波,王晶.基于深度学习的电子病历多模态数据融合研究进展[J].生物医学工程学杂志,2024,41(5):1062-1071.DOI:10.7507/1001-5515.202310011.FanY,ZhangZB,WangJ.Researchprogressonelectronichealthrecordsmultimodaldatafusionbasedondeeplearning[J].JBiomedEng,2024,41(5):1062-1071.DOI:10.7507/1001-5515.202310011.48薛付忠.AI语言表征的多模态大数据队列设计理论方法体系[J].山东大学学报(医学版),2025,63(8):1-16.DOI:10.6040/j.issn.1671-7554.0.2025.0568.XueFZ.TheoreticalandmethodologicalframeworkformultimodalbigdatacohortdesignbasedonAIlanguagerepresentation[J].JShandongUniv(HealthSci),2025,63(8):1-16.DOI:10.6040/j.issn.1671-7554.0.2025.0568.49ZhuCY,YangZH,XiaXQ,etal.Multimodalreasoningbasedonknowledgegraphembeddingforspecificdiseases[J].Bioinformatics,2022,38(8):2235-2245.DOI:10.1093/bioinformatics/btac085.50ChenD,ZhangWW,DingZH.EmbeddingdynamicgraphattentionmechanismintoClinicalKnowledgeGraphforenhanceddiagnosticaccuracy[J].ExpSystAppl,2025,267:126215.DOI:10.1016/j.eswa.2024.126215.51ZhangT,YangLY,HanX,etal.MethodsonCOVID-19epidemiccurveestimationduringemergencybasedonBaidusearchengineandILItraditionalsurveillanceinBeijing,China[J].Engineering,2023,31:112-119.DOI:10.1016/j.eng.2023.08.006.52JangG,SeoJ,LeeH.AnalyzingtheimpactofCOVID-19onseasonalinfectiousdiseaseoutbreakdetectionusinghybridSARIMAX-LSTMmodel[J].JInfectPublicHealth,2025,18(7):102772.DOI:10.1016/j.jiph.2025.102772.53WangYZ,GuoJB,ShiQH,etal.Acrackdetectionmethodforpipelinesusingwavelet-baseddecision-leveldatafusion[J].IEEETransInstrumMeas,2023,72:9503921.DOI:10.1109/TIM.2023.3244211.54WeiYP,WuDZ,TerpennyJ.Decision-leveldatafusioninqualitycontrolandpredictivemaintenance[J].IEEETransAutomSciEng,2021,18(1):184-194.DOI:10.1109/TASE.2020.2964998.55TölleM,GartheP,SchererC,etal.RealworldfederatedlearningwithaknowledgedistilledtransformerforcardiacCTimaging[J].npjDigitalMed,2025,8(1):88.DOI:10.1038/s41746-025-01434-3.56WangJ,QuasimMT,YiB.Privacy-preservingheterogeneousmulti-modalsensordatafusionviafederatedlearningforsmarthealthcare[J].InfFusion,2025,120:103084.DOI:10.1016/j.inffus.2025.103084.57詹美蓉,章灿明,蔡少健,等.2011-2023年福建省登革热流行特征与时空聚集性分析[J].中国人兽共患病学报,2025,41(2):200-207.DOI:10.3969/j.issn.1002-2694.2025.00.025.ZhanMR,ZhangCM,CaiSJ,etal.Epidemiologicalcharacteristicsa