过去几个月里，COVID-19肺炎疫情已在世界范围内多次爆发，其爆发途径大致相同：早期感染人数少，各方反应有限；而后随着流行趋势曲线的迅速攀升，各国开始实施全国范围的封锁行动，使得曲线重新趋于平坦。一旦疫情曲线到达顶峰，各国政府必须开始考虑美国总统特朗普所说的“一生中最大的决定”：何时以及如何解除限制措施。

　　整个疫情期间，人们特别重视在各国之间(尤其是与中国有关的)关于COVID-19传播的关键信息的共享。相比之下，关于如何利用过去20年改变了企业面貌的先进数据技术，来更好地诊治COVID-19的论述很少。在本文中，我们将讨论政府如何利用这些技术来管理未来的大流行疾病，甚至可以运用到本次COVID-19疫情的后期阶段。

　　个性化预测的力量

　　制定COVID-19应对策略时，决策者可以考虑采用基于个性化需求的预测技术，该技术在过去20年中已改变了许多行业。数据驱动公司(从“大技术”到金融服务、旅游、保险、零售和媒体)使用机器学习和人工智能技术，针对顾客购买商品等行为提出个性化建议，并根据已有的用户个体数据来进行个性化定价、风险管理和定制信贷等服务。

　　例如，在最近的《哈佛商业评论》文章中，阿里巴巴前首席战略官曾鸣曾描述其小额贷款业务蚂蚁金服(Ant Financial)是如何通过分析阿里巴巴电子商务平台上的交易和通讯数据，来实时评估贷款申请人的。此外，像Netflix等公司会评估消费者过去的选择和行为特征，从而预测其未来的想法和行为。

　　类似的方法可能适用于预测COVID-19等大流行病的未来发展轨迹。使用多种数据源来训练机器学习模型，可以预测严重感染患者的临床风险：在资源有限的情况下，他们需要重症监护治疗的可能性是多少？死亡的可能性有多大？数据源可能包括患者的个人病史(COVID-19症状的严重程度，似乎随着患者年龄的增长以及诸如糖尿病和高血压等并发症的严重程度而增加)及其家庭组成等。例如，如果一个健康的年轻人与年老或体弱多病的人生活在一起，那么他/她就应该被归类为“高风险人群”(否则可能会被归类为“低风险人群”)，因为他们一旦感染了其家人，其家人很可能需要接受重症监护治疗。

　　这些临床风险预测可用于自定义个人/家庭层面的策略和资源分配，以及合理核算标准医疗负债和风险。例如，它可以识别具有较高临床风险系数的人群，使我们能够针对这部分人群进行干预隔离和保护的同时，允许风险系数较低的人群过上相对正常的生活。当然，高低风险的判断标准目前尚待确定，其他的风险考量因素还包括可用资源和医疗责任风险等，不过这些数据已有标准的科学统计方法，并已在多种途径中投入使用。

　　个性化预测大有裨益。它可以帮助实现低死亡率的群体免疫，还可以更好、更公平地分配资源，如稀缺的医疗设备(如试剂盒、防护口罩和医院床位)或其他资源。

　　疫情后期也可以使用类似的方法制定限制解除策略(这是目前大多数国家应对COVID-19疫情的下一个关键步骤)。决定解除限制措施的先后顺序本质上是一个分类问题，与大多数数据驱动公司的分类问题相似。一些政府以年龄作为风险预测的标准，已经开始逐步解除限制状态，然而这其实是一种相对粗略的分类方法，有可能会遗漏部分高风险人群，如上文提到的与老年人一起生活的健康年轻人。

　　使用基于数据和人工智能技术的预测模型对人群进行分类，可能会帮助决策者制定解除隔离限制的策略。这种分类方法在社区层面来说是安全的，且个人和经济成本相对较低。我们都知道，COVID-19的一个关键特征是其具有极高的传播率，但重症率和死亡率相对较低。数据显示，90%以上的感染者只出现轻微临床症状或不出现症状。

　　从理论上讲，如果我们能够精准筛查出这个90%的群体，我们就可以解除这部分人群的限制。即使相互感染，他们不会出现严重症状，医疗系统也不会因不堪重负而崩溃。解除对这临床风险系数低的人群的隔离限制，也将有助于迅速建立高比例的群体免疫，届时剩余的10%也可以解除隔离限制。

　　如果预测分数是错误的，后果将仅发生在最先被解除隔离的“最安全”人群中。相对于治疗剩下的10%或以上的高危人群，现有的医疗资源更容易承担“最安全”人群的治疗任务。当然在实践中，我们会从临床风险系数最低的人群开始逐步解除隔离限制，之后随着时间推移建立群体免疫。