人工智能大模型在流行病学研究中的应用进展

王玉琢，马红霞，沈洪兵

摘 要

人工智能（AI）大模型技术在大规模数据处理、多模态数据融合、复杂交互作用模式识别及高精度预测模型构建等方面展现出显著优势，为流行病学研究带来了新的机遇。先进的AI大模型技术能够优化传染病监测体系，识别新型疾病危险因素与生物标志物，精确预测个体疾病发展轨迹，并实现临床干预试验的自动化和效率提升。本文综述了AI大模型在流行病学研究中的应用进展，分析这一领域的机遇与挑战，并展望未来的发展方向。通过将AI大模型技术深度融入流行病学研究，有望开辟新方向、拓展新方法，为制定和实施精准有效的公共卫生干预措施提供科学依据，从而实现防控疾病、促进全人群健康的美好愿景。

【关键词】人工智能；大模型；流行病学研究

前 言

近年来，人工智能（AI）技术发展迅速，尤其是随着DeepSeek、ChatGPT等大语言模型（LLM）的推出，其在语言处理领域展现出卓越能力，使得大模型成为AI领域备受关注的研究与应用热点。大模型是基于强算法、大算力，通过大规模、多维度数据进行训练，以适应自然语言处理、图像识别等广泛下游任务的模型，也可译为基础模型或基石模型。其中，多模态大模型的出现，改变了当前单一模型对应单一任务的AI研发范式，有望成为不同领域的共性平台技术，展现出广阔的应用前景［1］。

随着医疗信息化的普及，医学领域积累了海量的健康医疗大数据，为数据驱动的AI大模型应用提供了机遇。作为一门与数据息息相关的学科，流行病学必将伴随AI技术的发展而不断进步。本文对AI大模型在流行病学研究中的应用进展进行综述，分析AI大模型时代流行病学研究的机遇和挑战，并展望未来发展方向。

一、AI大模型在流行病学研究中的应用进展

1. 传染病流行病学研究：

传染病流行病学致力于探究人群中传染病的发生机制、传播规律及其影响因素，并制定预防、控制和消灭传染病的策略与措施［2］。传统的传染病监测多依赖卫生系统或实验室上报数据，经验证后评估和预测传染病流行趋势。然而，这一过程存在显著的滞后性，难以迅速发现重大疫情。AI技术可通过自动化分析多源数据，快速识别潜在疫情暴发并及时发出预警［3-4］。例如，Xie等［5］以开源BLOOM架构为基础，并利用网络推文中有关新型冠状病毒感染的信息进行模型微调，开发出一种用于新型冠状病毒感染长期监测的LLM；该模型能够较官方报告提前7.63 d捕捉到新型冠状病毒感染趋势，同时追踪感染者的症状、康复周期、重复感染率及长期健康效应等信息。

除传染病监测和预警以外，AI在传染病流行病学研究中的应用还包括解析病原体特征（如传染力、致病力、毒力和免疫原性），推断传染病流行过程（如定位传染源，识别传播网络/模式等），以及评估预防干预措施的效果等［6-7］。随着大模型技术的涌现，研究者已开始利用LLM工具，采用人-机对话形式与ChatGPT展开协作，通过代码生成-优化-调试的迭代过程，共同开发传染病传播的数学模型，开创了AI驱动的传染病流行病学研究新范式［8］。

2. 慢性非传染性疾病流行病学研究：

AI大模型技术在大规模数据处理、复杂交互作用模式识别，以及高精度预测模型构建等方面具有优异性能，逐渐在慢性非传染性疾病流行病学研究的多个领域中得到广泛应用。

AI大模型能够整合电子健康档案（EHR）、医学影像、监测、可穿戴设备以及高通量组学等多模态数据，以预测个体健康轨迹与疾病风险［9-10］。例如，一项研究开发出了一种基于转换器的生成式AI模型TransformEHR，旨在利用患者历史就诊记录预测未来就诊时的疾病风险或临床结局。TransformEHR采用编码器-解码器transformer架构，利用交叉注意力机制，通过识别EHR中患者既往就诊的次序、日期和《国际疾病分类》（ICD）诊断代码来预测未来就诊时的ICD诊断代码。研究人员采用650万患者的EHR数据进行模型预训练，并通过微调实现单一疾病或临床结局的预测。相较于传统BERT模型，TransformEHR在疾病与临床结局预测中的性能均得到提升，其中在胰腺癌与创伤后应激障碍患者故意自残风险预测方面，其精确率-召回率曲线下面积分别提升了2%和24%，彰显出AI大模型在疾病风险预测中的巨大潜力［9］。

AI大模型还可助力疾病危险因素研究。例如，评估健康的社会决定因素（SDoH）对于疾病预防与健康促进具有重要意义，然而这些信息在EHR中通常以非结构化文本形式记录。一项研究开发了一种基于LLM的分类模型，该模型使用鲁棒优化的BERT预训练方法（RoBERTa），以识别EHR中的SDoH信息。研究者使用重症监护医疗信息数据集（MIMIC-Ⅲ）和生成式预训练模型（GPT）-3.5生成的临床记录数据集对模型进行训练，并在独立的真实EHR数据中评估模型的预测性能，结果显示，模型识别无家可归、食物不安全和家庭暴力的受试者工作特征曲线下面积分别为0.78、0.72和0.83，提示LLM能够从EHR中高效提取SDoH信息，为评估SDoH的健康效应提供便利［11］。值得一提的是，目前深度学习技术已被广泛应用于环境污染物监测（如水质监测、空气质量测量等）［12-14］。AI技术还可分析移动应用与社交媒体数据，追踪饮食、运动、出行等行为生活习惯［15-16］。随着技术的进步，AI大模型有望优化环境污染物监测及行为生活习惯追踪，这将为疾病危险因素研究提供宝贵的基础数据。

近年来，AI大模型在新型影像生物标志物识别方面也展现出巨大潜力。例如，Pai等［17］采用自监督学习方法并基于卷积编码器架构开发出一种大模型，用于肿瘤影像生物标志物的识别。该研究利用2 312名患者的CT图像（包含1.15万个未标注病灶）构成的数据集对大模型进行预训练，并在多个独立的临床队列数据（包含CT图像和临床信息）中，针对特定预测目标对模型进行微调和预测性能评价。结果显示，该大模型在病灶解剖学位置判定、肺结节良恶性分类以及非小细胞肺癌预后预测等下游任务中的性能显著优于传统监督学习算法。此类算法可推广至其他临床应用场景，并将加速影像生物标志物在临床实践中的广泛应用。

AI大模型还能够基于组织病理学图像，实现肿瘤诊断、预后预警、疗效预测等任务［18-20］。例如，Wang等［18］利用10.5万张组织病理学图像，采用一种名为DINOv2的先进视觉Transformer架构，结合自监督学习训练出大模型DINOPath，随后利用临床队列数据对该模型进行微调以预测胃肠道肿瘤患者的生存结局，并在7个队列中验证模型的有效性。结果显示，在验证队列中，AI模型预测胃癌患者无疾病生存期的一致性指数（C-index）为0.726~0.797，预测结直肠癌患者疾病特异生存率的C-index为0.714~0.757。多因素分析显示，AI风险评分在校正临床病理因素后，仍为患者独立预后影响因素。此外，在Ⅱ/Ⅲ期胃癌和结直肠癌患者中，AI评分高风险组患者接受辅助化疗后生存率显著改善，而低风险组患者则未观察到临床获益。因此，AI大模型有望优化肿瘤患者预后预警，为精准治疗提供科学依据。

在实验流行病学研究领域，新兴AI技术有望应用于临床干预试验全周期，涵盖试验方案设计、合格受试者筛选、知情同意获取、生理指标采集、结局事件判定以及结果分析等环节［21］。例如，Jin等［22］基于GPT-4架构开发出了一个LLM（TrialGPT），旨在实现临床试验患者招募的智能化。TrialGPT能够基于患者EHR快速匹配候选临床试验，评估受试者是否符合特定入组标准。模拟分析显示，TrialGPT为临床试验筛选合格受试者的准确度达87.3%，接近人类专家水平，同时可将受试者匹配时间缩短42.6%。另一项研究结合检索增强生成（RAG）与GPT-4开发出一款临床试验受试者筛选工具RECTIFIER。在判定受试者是否符合临床试验纳入排除标准时，RECTIFIER的灵敏度、特异度和准确度均超过专业研究人员［23］。在此基础上，Unlu等［24］开展了一项前瞻性、盲法、随机对照临床试验，以对比RECTIFIER辅助受试者筛选相对于人工筛选是否更为高效。结果显示，RECTIFIER辅助受试者筛选的速度快于人工筛选，并且能够提升受试者入组率。这些研究结果表明，AI大模型在实现临床干预试验流程的自动化与效率提升方面具有广阔应用前景。

二、AI大模型时代流行病学研究的机遇

1. 复杂数据处理与多模态数据融合能力明显提升：

健康医疗大数据约80%为非结构化数据，而传统人工文本信息提取方式耗时费力。LLM技术能够自动化识别、收集与分析EHR中的健康相关信息［11］。先进的AI技术可以分析医学影像、音频、视频等非结构化数据，实现对磁共振成像、X线片、心音/呼吸音记录及体力活动、行为模式等复杂数据的挖掘。AI赋能的方法还能实现数据实时采集、处理与分析，确保信息的时效性［25］。此外，多模态大模型技术能够高效整合EHR、可穿戴设备、社交媒体、基因组学、环境监测等多维异构数据，全面解析生命历程不同阶段的健康影响因素［26］。

目前，医学领域仍然面临高质量数据稀缺的挑战。AI大模型算法的进步为应对这一挑战提供了机遇。大模型通常采用自监督学习方式，基于海量数据进行预训练，作为多种下游任务的基础支撑，其显著优势在于能够有效降低下游应用对训练样本量的需求［17］。例如，基于大型预训练模型的微调或迁移学习无需海量数据或长周期训练即可获得高性能模型，而近期自监督学习技术的进步有望针对具体科学问题开展零样本学习［6］。

2. 复杂交互作用模式识别能力与疾病风险预测效能显著增强：

传统统计学方法难以发现暴露因素与健康结局之间错综复杂的非线性关系。AI大模型技术能够捕捉生命历程中生物、社会、环境等多重暴露因素与健康结局之间复杂的非线性关联，帮助研究者理解生命历程不同阶段个体暴露与经历如何发生相互作用，从而最终塑造个体乃至群体层面的健康与疾病模式［26］。

AI大模型技术可有效融合基因组学、EHR及生活方式等多源数据，精准预测个体在生命不同阶段的疾病风险。特别是对于复杂数据的处理，AI大模型相较于传统方法常展现出更高的预测准确性［26］。

3. 观察性研究中的因果推断方法持续完善：

AI技术不仅在疾病风险预测方面表现突出，同时可以通过识别潜在因果路径和控制观察性研究中的混杂偏倚，为因果推断提供支持。例如，在倾向性评分法（即基于观察到的个体特征预测其接受特定治疗或暴露于某种因素的概率）中，AI算法能够更准确地平衡混杂因素在暴露组与非暴露组间的分布［27］。在孟德尔随机化（MR）研究方面，AI技术可有效识别并验证潜在工具变量［28］。此外，因果森林等AI算法可直接估算暴露因素对健康结局的效应，同时最大程度地减少观察性研究中的偏倚［29］。

4. 流行病学研究效率突破性提高：

流行病学研究通常包括文献检索、问题提出、数据分析和证据整合等环节，而AI大模型能够显著提高这一过程的效率。例如，DeepSeek、ChatGPT Code Interpreter、OpenAI Codex和DeepMind AlphaCode等LLM推动了编程自动化，为复杂数据分析提供便利［30-31］。集成自然语言处理与LLM技术的软件工具可提升文稿等非结构化数据源的提取精度与速度，优化文献检索与证据整合流程：首先，LLM可通过构建布尔逻辑检索式辅助文献检索［32-33］。第二，获取文献后，LLM可实现多篇论文的自动总结与证据合成［30］；值得一提的是，LLM还可增强医学文献中PICO（人群、干预、对照、结局）要素的提取效能，评估临床干预试验质量，从而进一步优化基于循证医学的文献检索［34-35］。第三，基于数百万学术文献训练的多模态大模型，已被验证能够通过智能解析科研文献，实现问题解答、信息提取和相关文本生成等复合型研究辅助功能［36］。

三、AI大模型应用于流行病学研究的挑战

1. 数据质量与整合难题：

当前，高质量健康医疗大数据依然相对匮乏。部分原因是缺乏顶层设计和战略规划，健康医疗大数据来源、收集和管理的共享机制尚不成熟，导致数据分散在不同的机构，难以实现综合利用［37］。同时，现实世界的健康医疗大数据常包含缺失值、异常值和错误。为防止数据质量不足对模型准确率造成影响，需建立标准化数据采集与质控流程，并对原始数据进行严格的质控，确保数据的完整性、准确性和代表性满足流行病学研究的需求［38］。

除数据质量以外，多源数据整合仍然面临诸多挑战。由于数据采集、存储等流程的标准化和规范化程度有限，不同机构的健康医疗数据在格式、结构、表型定义等方面都存在差异，导致跨机构数据整合存在困难［37］。因此，确保多源数据的可比性和互操作性对于开发稳健且可推广的AI模型至关重要［26］。这需要研究人员、数据管理者和信息技术专家紧密合作，建立统一的数据标准和协议，以实现不同医疗机构间的数据共享与整合［38］。

2. AI大模型的技术风险：

首先，AI大模型的透明度与可解释性亟待提升。AI算法通常基于数据特征训练模型参数，但忽略了对暴露因素与健康结局之间因果关系的推断。以深度学习为基础的大模型通常采用“黑箱”方式运行，模型预测的原理以及模型中各个暴露因素对健康结局的贡献及其效应大小通常难以知晓［6］。因此，研究人员需致力于开发兼具准确性和可解释性的模型，这使得可解释人工智能（XAI）成为一个研究热点。针对XAI的研究主要集中于内在可解释和事后解释。前者聚焦于模型结构本身具有可解释性，如logistic回归、决策树等传统机器学习算法。后者关注应用于黑箱模型的事后解释方法，如深度学习重要特征（DeepLIFT）和沙普利值加性解释法（SHAP）等。内在可解释模型性能的改善和事后解释方法的进步对于实现AI大模型的透明度与可解释性至关重要［39-40］。

其次，AI大模型潜在的偏见及泛化能力不足问题也引发了关注。当训练数据与目标人群特征不匹配时，算法可能会复刻甚至放大数据中的偏倚，导致模型泛化能力不足［41］。流行病学研究关注的健康影响因素多样，可能存在复杂交互作用，并且暴露因素与健康结局的关系可随时间和外部环境的改变而发生变化。因此，持续评估与更新模型以确保其准确性显得尤为重要［26， 42-43］。很多研究缺乏对模型稳健性及泛化能力的严谨评估，随着多样化AI大模型的不断发展，亟需横向比较AI大模型与传统模型的优劣，确定不同模型的适用范围，从而指导模型的选择。研究者须警惕数据中的潜在偏倚，积极消除模型偏见，以确保模型的公平性，并能推广应用于多样化人群［7， 44］。

最后，AI大模型的准确性与可靠性需审慎评估。已有多项研究指出，LLM存在“幻觉”问题，即其可能会提供虚构信息，产生看似合理但实则不准确、不完整或错误的回应，如编造不存在的专业术语或虚构文献引用信息等［45］。此外，LLM可能误判证据强度，无意间推广错误结论。LLM“幻觉”问题的产生一方面可归咎于训练数据的准确性、完整性不足；另一方面，LLM只是学习了表面上的语言模式，而未能真正理解文本数据中的深层含义。RAG可以应对LLMs的“幻觉”问题［46］。然而，AI大模型理论仍处于黑箱阶段，尚无法确保输出的完全可控［34， 43， 47］。未来，医学AI大模型研究应使用特定领域的高质量数据微调模型，制定并实施严格的模型验证机制，采用置信度评估模型输出结果的可靠性，融入人机协作工作流（即由医学专业人员审查和校正AI生成的内容），以确保结果的准确性和可靠性［46， 48］。

3. 跨学科交叉不足与复合型人才缺口：

当前，AI大模型与流行病学研究往往独立进行，导致AI模型很少融入流行病学领域的知识或理论［6］。例如，尽管AI模型能够捕捉数据中隐藏的规律与关联，但其未必能深入解析背后的因果关系及生物学机制。因此，将AI模型的发现与流行病学原理及专家解读相结合，对于确保研究结果的正确性和医学意义至关重要［49-50］。例如，在传染病监测领域，融合模型将传统机制模型中蕴含的先验流行病学知识与AI的数据挖掘能力相融合，为传染病流行病学建模带来了革命性潜力，有望深化对传染病传播动态的理解，并为公共卫生决策提供更有效的理论支持［7］。

在医学领域，存在大量的健康医疗大数据。若要利用AI大模型深度挖掘这些数据的潜在价值，分析人员需要同时具备医学、流行病学、数据科学与AI等多方面的专业知识，但目前多学科交叉复合型人才仍较为稀缺［37］。因此，需从国家层面统筹规划，推进多学科交叉研究，组建跨学科、跨领域的科研团队，大力开展协同创新，培养具备多学科交叉背景的复合型人才，为推动基于AI大模型的流行病学研究提供人才保障［51］。

4. 医学AI的隐私与伦理问题：

AI大模型在流行病学研究中的应用面临一系列伦理挑战。医学AI建模通常需要使用高度敏感的个人信息，这些数据在采集、传输、存储与处理过程中可能存在个人隐私泄露的风险。例如，OpenAI的官方声明指出，ChatGPT会收集对话历史与账户信息（如姓名、联系方式）用于模型迭代训练，数据存储于美国服务器。因此，用户应避免输入敏感的医疗数据［52］。此外，医学AI还面临算法偏见、责任与问责尚无明确框架、自主性受限、劳动力替代和监管不确定性等伦理问题［6］。近年来，隐私保护技术正得到广泛关注，例如，通过差分隐私和去标识化（多态加密与同态加密等）技术降低隐私风险，采用联邦学习在保护隐私的前提下实现跨机构模型训练［53］。世界各国也开始建立法律法规和伦理规范来应对医学AI的隐私与伦理问题。其中，WHO于2021年提出了医学AI的伦理原则。我国于2017年发布《新一代人工智能发展规划》，2021年发布《新一代人工智能伦理规范》；随着ChatGPT等LLM的快速发展，我国相关政策和法规也在持续更新，并于2023年发布《生成式人工智能服务管理暂行办法》。上述举措对于医学AI的健康发展至关重要［38］。

5. 算力资源与技术壁垒：

构建AI大模型需要强大的算力资源，以及数据科学、计算机编程与AI领域的专业知识支撑。获取高性能计算资源与引进专业人才需要持续的资金投入与政策支持，导致资源有限的小型实验室和研究团队难以应用AI大模型技术［26］。AI大模型开发和运营成本高昂，尤其是在投入医学应用后，AI大模型的日常运营和模型迭代将消耗大量算力和电力资源，为研究机构的资源部署带来挑战［51］。为此，大模型轻量化已成为当前的研究趋势之一，已有部分研究初步探索了参数压缩、剪枝、知识蒸馏、量化技术和参数高效微调等大模型轻量化技术路径，有望在维持大模型性能的基础上节约计算资源和能耗［40， 54］。此外，流行病学研究中AI大模型的应用需要权衡成本与收益，横向评估传统模型与AI大模型的优劣，从而在权衡成本效益的基础上选择最优模型［55］。

四、AI大模型在流行病学研究中的应用展望

1. 促进高质量健康医疗大数据的整合与共享：

高质量健康医疗大数据的整合与共享是AI大模型驱动流行病学研究发展的基石。未来应加强顶层设计与战略规划，制定互联互通的信息建设标准与规范；整合跨机构、跨领域、跨学科的多源异构健康医疗大数据，建设国家或区域健康医疗大数据共享和分析示范性应用平台，推进健康医疗信息的集成利用［37］。卫生健康主管部门应加强健康医疗数据治理，重视并逐步提升数据质量，保障高质量健康医疗大数据的开放共享［51］。研究者应全方位评估和验证健康医疗大数据的完整度和准确性，以确保数据质量满足流行病学研究的需求。

2. 推进基于多模态大模型的系统流行病学研究：

近年来，高通量组学技术的进步和健康医疗大数据的积累使得系统流行病学应运而生。系统流行病学旨在利用系统生物学、流行病学、计算数学等技术，将人体从暴露组、基因组、表观遗传组、转录组、蛋白质组、代谢组等，再到临床表型组的各个层次有机地整合在一起进行研究，从而深入理解多层次因素间复杂的相互作用及其网络关系，实现人群层面“暴露因素-组学标志物-疾病结局”的病因学推断，并构建以病因网络为基础的疾病风险预测模型［56］。因此，多模态数据融合技术是系统流行病学研究的关键方法学之一。在近期AI大模型技术取得突破性进展的推动下，多模态大模型有望用于系统流行病学研究。当前，大模型的主流基础架构Transformer通过引入自注意力机制，能够捕捉输入序列中所有位置间的依赖关系与语义空间中不同维度的特征表征。这一性能有望在系统流行病学研究中，通过基于多组学、多模态大数据的预训练，充分捕捉分子（如基因、转录本、蛋白质、代谢物等）、细胞乃至个体、外环境等多个层面的特征表征，建模多层次因素之间潜藏的复杂相互作用。当利用下游任务数据（如为了具体研究目的而采集的队列研究数据）对模型进行微调时，多模态大模型能够将其学习到的通用表征迁移应用到危险因素识别、生物标志物发现、疾病风险预测等多种下游任务中［40， 57-58］。多模态大模型算法的持续进步将为系统流行病学发展开辟新路径［59］。

3. 推动基于AI大模型的因果推断技术研究与开发：

因果推断与AI大模型的融合是大数据时代流行病学研究的发展趋势之一。AI大模型技术有望拓展流行病学因果推断方法［60］。首先，将AI大模型技术融入流行病学数据分析，有望增强因果推断潜力。例如，前瞻性随访研究因其符合先因后果的时间顺序关系，是验证因果关系假说的重要途径；生存分析作为前瞻性随访研究中的重要统计分析方法，可推断暴露因素对健康结局的影响及其效应大小；当前，基于深度学习的生存分析方法正在迅速兴起，为因果效应估计和因果推断提供了新方法［39， 61］。其次，在现有因果推断方法（如倾向性评分法和MR）中应用AI技术，可以提升其因果推断潜能。此外，将统计学显著性检验与人工神经网络相结合［39］，以及开发事后解释方法（如DeepLIFT和SHAP），也为阐明AI模型中的因果关系开辟了新途径［62-63］。因此，研发基于AI大模型的因果推断方法将提升模型的透明度和可解释性，推动AI大模型的转化应用和循证公共卫生实践［64］。

4. 制定AI大模型流行病学研究的指南与报告规范：

医学AI模型不仅关注预测效能，还注重模型的可解释性、透明度和泛化能力。近期，专家团体已针对AI在临床研究中的应用制定了一系列报告规范，如适用于临床预测模型研究的报告规范［65］（TRIPOD-AI）、AI决策支持系统早期临床评估报告规范［66］（DECIDE-AI）、涉及AI干预的临床试验实施指南［67］（SPIRIT-AI）与报告规范［68］（CONSORT-AI）等，旨在加强AI临床研究的标准化程度与透明度。因此，AI流行病学研究也亟需制定标准化的数据采集、分析流程以及AI大模型开发与评估标准，确立相应的研究结果报告标准与规范。同时，指南需充分指明AI大模型应用的局限性，并能够指导研究人员判断使用AI技术的必要性与适宜性［26］。

5. 推动流行病学研究成果的转化应用：

将研究成果转化应用于公共卫生实践，是充分发挥流行病学研究中AI大模型潜力的关键，这通常需要经历一系列关键评估阶段。首先，为确保AI模型的稳健性和可推广性，需要在独立的人群中对其进行严格的外部验证，并横向比较AI模型与传统模型的优劣，以指导不同应用场景下的模型选择；随后，应通过严格的随机对照试验验证AI模型的安全性和有效性［69］；在此基础上，可通过实施性研究探索AI模型应用于公共卫生实践的可行路径［39］。未来，研究者、政策制定者与公共卫生从业人员之间的多方协作，将充分发挥AI大模型的技术优势，推动流行病学研究成果的转化应用，持续改善全人群健康水平［6］。

五、总 结

AI大模型技术的进步为流行病学研究带来了新的契机。然而，其应用仍需应对一系列挑战。为了充分发挥AI大模型技术的潜能，需要推动高质量健康医疗大数据的整合与共享，推进基于多模态大模型的系统流行病学研究，研发基于AI大模型的因果推断技术，制定标准化研究指南与报告规范，并积极倡导将AI大模型流行病学研究成果转化应用至公共卫生实践。

展望未来，随着AI大模型技术的深度融合，流行病学研究将能够充分利用健康医疗大数据与AI技术创新，快速追踪疾病流行趋势，全面揭示疾病发生发展的影响因素，为制定和实施精准有效的公共卫生干预措施提供科学依据，最终实现防控疾病、促进全人群健康的美好愿景。

来源：中华流行病学微平台

编辑：Suki