编辑推荐：
这篇综述深入剖析了人工智能（AI）支持的“同一个健康”（One Health）监测平台在塞内加尔2025年裂谷热（RVF）疫情应对中的应用。研究证实，该AI平台（AI4DECLIC-SN/3S平台）能有效整合社区报告与多源数据，实现早于官方确认数日至数周的早期预警。然而，技术创新的效能受限于机构间协调不畅、验证延迟、反馈不足及诊断能力薄弱等系统性瓶颈。文章强调，在非洲农牧区，构建包容性治理、强化跨部门协作与社区参与，是将前沿技术转化为及时、有效公共卫生响应的关键。
引言：裂谷热——一个复杂的“同一个健康”挑战
裂谷热（Rift Valley Fever, RVF）是由布尼亚病毒科病毒引起的急性人畜共患病，自1930年代在肯尼亚裂谷首次发现以来，已成为影响非洲的重要公共卫生问题。该病毒主要感染反刍动物（如绵羊、山羊、牛）和人类，对农牧社区的健康、粮食安全与生计构成严重威胁。人类主要通过蚊虫叮咬或接触感染动物的血液、组织或器官（尤其在流产或屠宰期间）而感染。其流行病学涉及动物、人类和环境健康之间复杂的相互作用，是风险管理的重点。
在塞内加尔，游牧畜牧业体系、地方性蚊媒以及流动的牧民社区共同造就了RVF疫情的周期性暴发。极端天气（如强降雨和洪水）是促进埃及伊蚊（Aedes）和库蚊（Culex）**等媒介蚊虫孳生的关键驱动因素，进而触发疫情。因此，早期检测动物和环境中的异常信号，对于实施及时干预、减轻社会经济影响至关重要。
研究方法：混合方法框架下的“同一个健康”评估
本研究采用混合方法设计，基于“同一个健康”框架，旨在系统评估2025年塞内加尔RVF疫情的时空动态，并检验AI增强的“同一个健康”监测平台（3S–AI4DECLIC-SN平台）对早期检测和国家响应能力的贡献。研究时段涵盖2025年4月至10月，整合了来自人类、动物和环境的多源定量数据，以及来自社区监测和关键利益相关者访谈的定性见解。
数据来源包括国家卫生信息系统（DHIS2）中的人类疑似和确诊病例报告、兽医部门记录的牲畜流产与死亡事件、社区成员通过平台提交的早期警报，以及降雨异常、洪水、植被指数等环境与气候数据。研究区域根据生态与流行病学风险标准进行选择，重点覆盖了塞内加尔河三角洲等历史上易受疫情影响的地区。数据分析采用了描述性流行病学、逻辑回归、地理信息系统（GIS）空间分析以及主题分析等方法，以全面描绘疫情全貌并评估监测系统的性能。
疫情全景：2025年塞内加尔裂谷热暴发特征
人类流行病学特征
2025年疫情始于圣路易斯地区，随后蔓延至卢加和马塔姆。全国共收集了6070份人类样本进行监测，其中363份RVF检测呈阳性，包括29例死亡病例。疫情在地理上高度集中，近80%的病例发生在北部的圣路易斯地区，这与塞内加尔河河谷湿地（埃及伊蚊和库蚊的孳生地）作为传统热点区域的特征一致。理查德-托勒省的发病率最高。
疫情进程可分为三个阶段：初始阶段（第36-38周）病例数少但病死率高（第37周达67%），可能归因于发现较晚；增长阶段（第39-41周）病例数急剧上升，第41周达到83例的峰值，同时病死率降至1%，表明医疗应对有所改善；下降阶段（第42-44周）病例数和病死率均呈下降趋势。
病例人口学分析显示，20-49岁的青壮年占病例总数的62%，这与他们从事畜牧养殖或屠宰等高暴露职业密切相关。农民是受影响最严重的职业群体。性别分析表明，男性病例占67.5%，死亡病例中男性占58.6%，这可能与职业暴露差异有关。76.9%的病例发生在农村地区。多因素分析发现，高龄（≥60岁）和出现出血性临床表现是导致死亡的最强风险因素。
动物流行病学与关键信号
动物疫情方面，在20个受影响省份共报告了243例确诊病例，其中绵羊128例，山羊105例，牛10例。研究期间共报告了1811例反刍动物流产，其中68例胎儿样本经检测确诊感染RVF。动物确诊病例数的流行曲线显示，从第38周开始急剧上升，在第42周达到85例的峰值。
一个关键发现是，牲畜（尤其是绵羊和山羊）的异常流产事件是RVF传播的极早期敏感信号。数据分析显示，流产数量的增加往往比动物确诊病例数的上升提前出现，更远早于人类病例的高峰。这突显了将动物健康监测纳入早期预警系统的核心价值。
空间分布与驱动因素
人类和动物病例的空间分布高度重叠，主要集中在塞内加尔北部的圣路易斯、卢加和马塔姆地区，形成了一个与塞内加尔河河谷及萨赫勒生态区吻合的“流行病学走廊”。空间分析进一步证实，病例聚集区与高牲畜密度区、湿地及永久性或季节性水域紧密相关，这些环境为媒介蚊虫提供了理想的孳生条件。
疫情暴发与异常的水文气象条件直接相关。2025年强降雨季节导致的局部洪水和湿地扩张，极大地促进了媒介种群的增殖。温度分析显示，夜间最低气温的升高有助于延长蚊虫寿命，增加传播风险。此外，牲畜的季节性移动（包括国内迁徙和跨境贸易）、宗教节日（如塔巴斯基节）期间集中的动物交易与屠宰活动，都显著加剧了病毒的传播风险。气候变化通过改变降雨模式和牧草资源，进一步影响着牧民的迁徙路线，可能将病毒引入新的区域。
AI监测平台：早期预警的潜力与瓶颈
平台构成与运行
本研究评估的3S–AI4DECLIC-SN平台是一个AI赋能的“同一个健康”数字监测系统，由三个核心模块构成：用于识别人畜共患病的AI聊天机器人（Taggàt）、用于快速报告异常事件的社区警报系统（Jottali）以及整合信号与数据以支持决策的交互式仪表板（G?stu）。在2025年4月至10月的试点期间，该平台共产生了330条警报。
预警效能
平台在早期检测方面表现出显著优势。分析确认的警报显示，AI系统检测到早期信号的时间平均比传统报告方式（如纸质记录、电话）快约1.8天（2.8天 vs. 4.6天）。更重要的是，平台能够识别出“微弱信号”，例如在塞内加尔北部费尔洛等地报告的牲畜流产事件，这些信号比官方确认和首批人类病例的出现提前了数周。这证明了社区参与式数字监测在捕捉传统系统可能遗漏的早期模式方面的能力。
存在的挑战与局限
然而，平台的实际应用也暴露出多重瓶颈：
- 1.
数据报告不平衡：绝大多数（约75%）已验证警报来自人类健康领域，而关于动物和环境的警报很少。这可能导致风险评估偏差，因为动物疫情通常是人类疫情的先兆。
- 2.
警报验证与机构响应延迟：这是最主要的瓶颈。尽管平台能近乎实时地接收报告，但警报的验证平均需要34.11小时，且有高达56.4%的警报在分析时仍处于“待验证”状态。验证延迟源于基层卫生工作者（如护士长、兽医）工作负担过重、人员短缺以及需要实地核查的 logistical 挑战。
- 3.
跨部门协调不足：人类、动物和环境卫生部门之间缺乏系统化的信息共享、联合分析和协调决策机制，阻碍了对复合型人畜共患病信号的准确解读与快速响应。
- 4.
诊断能力制约：即便警报得到验证，样本仍需送往达喀尔巴斯德研究所等中心实验室进行确诊，这个过程通常需要4-5天，在疫情快速传播期形成了关键的响应延迟。
- 5.
反馈机制缺失：向报告事件的社区成员提供反馈的环节非常薄弱甚至缺失，这挫伤了社区持续参与的积极性，从长远看会削弱监测系统的灵敏度。
- 6.
环境数据整合不足：当前的试点平台未整合实时的气候、生态和媒介密度数据，限制了其进行真正预测性建模的能力。未来迭代计划纳入这些变量以提升预警能力。
讨论与启示：技术赋能与系统韧性
本研究表明，AI增强的社区参与式“同一个健康”监测能够有效改善疫情早期检测。塞内加尔的经验与东非和西非其他数字健康倡议（如乌干达的mTrac、肯尼亚的mSOS）的发现一致，都凸显了自动化、社区驱动报告对及时发现疫情的价值。
然而，研究结果也清晰地指出，技术创新本身不足以确保有效的公共卫生应对。AI平台作为决策支持工具，其成功高度依赖于它所嵌入的更广泛的卫生治理生态系统。机构间的协调不畅、验证流程的延迟、基层诊断能力的局限以及薄弱的社区反馈机制，共同构成了将“早期预警”转化为“早期行动”的主要障碍。
这些挑战反映了非洲卫生系统中普遍存在的结构性不平等和资源分配问题。数字监测工具的部署可能因网络连通性、数字素养和社区参与度的差异而加剧现有的监测偏见，导致边缘化人群的代表性不足。因此，推动卫生公平必须与技术创新同步进行。
结论与前瞻
2025年塞内加尔RVF疫情的应对经验表明，AI4DECLIC-SN平台为代表的人工智能与“同一个健康”融合的监测模式，在提升疫情早期检测的灵敏度、速度和空间粒度方面具有明确潜力。通过赋能社区作为前线哨点，该系统能够捕捉到传统监测网络可能忽略的细微、早期信号。
为实现这一潜力的最大化，未来工作必须聚焦于：
- •
强化制度整合：建立清晰、统一的跨部门警报验证、分级和响应协议，打破机构壁垒。
- •
提升基层能力：投资于区域性实验室建设，推广现场快速检测技术，缩短诊断周期。
- •
保障社区中心地位：建立系统化、及时的反馈机制，维持社区信任与参与动力。
- •
完善技术模型：将实时环境、气候和生态数据整合入AI模型，发展更具预测性的预警工具。
- •
关注公平与可持续性：确保技术解决方案的设计与部署充分考虑本地语境，促进包容性，并致力于构建不依赖外部资助的长期可持续性。
最终，应对像裂谷热这样复杂的人畜共患病威胁，需要一个超越技术工具的、全面的“同一个健康”生态系统。这个系统需要技术、机构、社区和环境的协同演进，从而为非洲农牧地区构建更具韧性的公共卫生防御体系。
