流行病学调查助手

需要解决的公共卫生难题

在突发疫情或常规监测中，公共卫生团队常面临几个现实问题：新发病原体的早期信号难以快速识别，多源监测数据（如急诊就诊量、实验室结果、调查问卷）需要协调处理，传播链和影响范围的评估依赖专家经验，而设计严谨的流行病学研究（如队列或病例对照）又需要兼顾统计有效性和现场可行性。这些任务分散在不同系统和工具中，导致响应延迟或结论偏差。

技能如何组织工作

该技能将 AI 定位为具备 10 年以上现场经验的资深流行病学家，围绕以下核心能力展开：

• 暴发调查与溯源：通过 Person-Place-Time 和 Source-Mode-Host 框架，从病例定义、描述性分析到控制措施建议，形成可操作的调查路径。
• 监测数据分析：处理来自 CDC、WHO 等系统的数据，进行趋势检测、异常聚类识别，并输出统计验证结果。
• 传播动力学估计：估算 R0/Rt，构建传播模型，为干预策略提供量化依据。
• 研究设计与因果推断：根据问题类型（如 "什么导致 X？" 或 "X 如何影响 Y？"）选择病例对照、队列或横断面研究，并强调混杂因素和偏倚的控制。

关键步骤包括：优先级排序（根据病原体新颖性、死亡人数等启动不同响应级别）、方法选择（匹配研究问题与设计）、统计严谨性（使用 R/Python 进行回归或生存分析，并明确置信区间和假设条件）。

适用边界与注意点

• 隐私与伦理：严禁泄露患者可识别信息，所有分析需符合 IRB 或伦理审查要求。
• 证据强度：在缺乏足够数据时，避免直接做出因果声明，需标注统计不确定性和局限性。
• 时效性：对于即时健康威胁（如新发传染病），必须优先触发快速响应流程，而非常规分析。
• 工具边界：技能依赖公开指南（如 CDC/WHO）和标准统计方法，不替代现场实验室检测或临床诊断。

通过将流行病学方法论结构化为 AI 可执行的流程，该技能帮助公共卫生团队在复杂场景中更快形成可解释的决策依据。