美國以及發達國家。
癥狀監測是以非特異性癥候群和(或)其他相關指示數據為基礎,能夠對潛在生物恐怖襲擊進行接近實時的監測預警。以美國為代表的發達國家已在癥狀監測領域開展了深入研究,而我國尚處於探索嘗試階段,我軍也亟需進行癥狀監測實踐。
壹、傳染病監測
傳染病監測是預警的基礎。傳染病監測歷史悠久,美國CDC在20世紀中葉首次系統闡明了疾病監測原理並應用於疾病預防控制實踐,在WHO的推動下,監測是傳染病防控的基石這壹理念被廣泛接受[4]。隨著微生物學和檢驗檢測技術的發展,病原體實驗室監測登上歷史舞臺,並逐步成為各國和地區傳染病監測的重要組成部分;20世紀90年代中後期,能夠早期探測異常的癥狀監測得到了更多重視,傳染病監測及其系統發展呈現出多元化趨勢[5-12]。
1. 傳統監測:基於病例臨床或實驗室確診信息的監測手段,其應用較早、覆蓋廣泛、技術成熟,多依賴醫療衛生機構被動報告,主要包括法定傳染病報告和病原體實驗室監測(表 1)。我國的傳染病信息報告管理系統(National Notifiable Diseases Reporting System,NNDRS)實現了基於醫療衛生機構的法定傳染病病例實時、在線、直接報告,對病例個案、診斷及流行病學信息等進行監測,可獲得人群傳染病發病及死亡數據。美國通過國家法定疾病監測系統(National Notifiable Diseases Surveillance System,NNDSS),對覆蓋範圍內約3 000個衛生機構開展法定疾病病例信息監測,使用電子實驗室報告(electronic laboratory reporting,ELR)系統監測病例生物樣本的檢測和結果信息等。
2. 非傳統監測:不依賴特定的診斷,而是基於非特異臨床癥狀和傳染病相關現象的監測手段,相對於傳統監測,更加註重早期多源數據的使用,多屬於主動監測範疇,主要包括癥狀監測、事件輿情監測以及藥物銷售、學校缺課等多源數據監測。其中,癥狀監測應用最多:通過持續、系統地收集、分析臨床明確診斷前能夠指示疾病暴發的相關資料並作出合理解釋,以及時發現疾病在時間和空間分布上的異常聚集[21]。如我國已在北京奧運會、上海世博會等大型人群聚集性活動中,對發熱、腹瀉、皮疹等重點癥狀進行監測並起到了積極作用[9-10]。歐洲地區針對流感樣病例和急性呼吸道感染病例開發了Influenzanet系統,事先收集誌願者的基礎信息,再以調查問卷的形式每周采集誌願者是否出現發熱、流涕、肌肉酸痛等癥狀以及出現癥狀後的醫療行為,實現在公眾中開展癥狀監測。此外,傳染病相關多源數據的監測也逐漸豐富,如美國社區疫情早期監測報告系統(Early Notification of Community-Based Epidemics,ESSENCE),對急診患者主訴、藥物銷售、學校缺課記錄、衛生熱線記錄等醫療相關數據進行監測。歐洲地區開發了威脅追蹤工具(threat tracking tool,TTT),對媒體、學術網站、各國政府或衛生機構傳染病公告等途徑發布的威脅事件開展持續監測追蹤等(表 2)。
傳染病預警的基本原理是通過壹定的預警技術,從傳染病監測數據中發現和識別超出期望常態水平的異常情況[8],即預警是監測系統的重要產出之壹,其發展與監測歷史基本契合。最初的預警系統多基於法定報告傳染病監測建立,如美國在軍事醫療機構中基於病例監測進行早期預警的ESSENCE系統、我國對法定傳染病監測數據進行分析探測的國家傳染病自動預警系統(China Infectious Diseases Automated-Alert and Response System,CIDARS)等[8, 29]。隨著癥狀監測以及更廣泛的非傳統監測不斷湧現,預警數據源極大豐富,推動了預警系統的多元化發展,如WHO建立的全球公***衛生情報網絡(Global Public Health Intelligence Network,GPHIN),使用非政府渠道的媒體監測數據進行預警,壹定程度上避免了政府對信息幹預的影響,提高了預警及時性[30]。美國2004年實施的Biosense系統,根據軍事醫療機構中監測的發熱、胃腸道癥狀、出血性疾病等11種綜合征數據進行早期預警[31],後又加入了對藥品銷售量、學校缺課記錄、急救車派遣量等數據的探測分析。就傳染病預警而言,預警數據源是基礎,預警模型分析技術是核心,預警信息發布是影響預警效果的重要環節。
1. 預警數據源:
(1)臨床和實驗室診斷數據:即傳統監測數據,具有預警準確性高的優勢,是當前預警數據源中最重要的組成部分。如我國基於此類數據運行的CIDARS可以在病例異常增加、出現人群聚集或發生單例的敏感病例(如鼠疫、新冠肺炎、人感染禽流感等)時實現自動預警[29, 32]。值得註意的是,李中傑等[33]、張洪龍等[34]的評價研究發現,雖然CIDARS信號響應率和響應及時性較好,但疑似信號比例較低,這種現象在國際層面也普遍存在,可能原因是追求高靈敏度導致的系統過於敏感,特異度無法保證。此外,由於這些數據產生於病例診斷後且需要被動上報,導致CIDARS的預警及時性不足,特別是對新發傳染病(如新冠肺炎)暴發無法發揮預警作用。總之,基於臨床和實驗室診斷數據的預警高度依賴報告單位質量,易受診斷能力、隊伍建設、地方幹預等因素影響導致信息滯後[35-38],對新突發傳染病往往難以實現早期預警,需要其他多點觸發機制加以補充。
(2)癥狀監測數據:癥狀監測數據不需要等待臨床和實驗室確診,能與基於臨床和實驗室數據的預警形成較好補充。如美國佛羅裏達州在2016-2017年利用國家癥狀監測項目開展的癥狀監測,發現了17例未報告的寨卡病毒感染病例,幫助州衛生部門及時采取了防控措施[39]。Canas等[40]在英國開展的使用自我報告癥狀監測探測新冠肺炎感染風險的研究,初步取得了較好效果,在遏制疫情發展和分配醫療衛生資源方面,具有應用前景。但使用癥狀監測數據預警,存在特異性低的問題,容易產生假陽性信號,導致早期監測預警效果不理想,且癥狀監測預警系統建設成本更高、分析技術更困難,影響了大規模的推廣應用[41-42]。
(3)其他多源數據:隨著大數據的發展和應用,傳染病預警數據源進壹步擴展到了其他與傳染病相關的行為和社會活動領域,這些多源數據往往發生更早、傳播更快,有利於更早期捕捉異常信號、推動預警工作的“關口前移”。如美國ESSENCE,將臨床數據和非臨床數據同時納入監測分析,在保證準確性的同時,增強了預警感知能力,近些年在水源性疾病、結核病、落基山斑疹熱等傳染病的預警追蹤中發揮了重要作用[23]。WHO建立的GPHIN,通過每天自動檢索分析全球範圍9種語言的互聯網新聞報道(超30 000個數據源),探測傳染病暴發的早期信號,在傳染性非典型肺炎、中東呼吸綜合征、埃博拉出血熱等疫情預警中發揮了重要作用[43]。但多源數據的信息可靠性得不到保證,用於預警時,“信號-噪聲比”低會耗費大量公***衛生資源,給預警分析處理技術提出了更高的要求。如曾被寄予厚望的谷歌流感趨勢,幾次修改算法也沒能很好地校正數據,並在2009年和2013年分別出現了明顯低估和高估真實流感流行的情況,目前也不再更新。