癥狀監測以非特異性綜合征和/或其他相關指示性數據為基礎，能夠對潛在的生物恐怖襲擊進行近乎實時的監測和預警。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，而我國尚處於探索階段，我軍也迫切需要癥狀監測的實踐。
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於20世紀中葉首次系統闡述了疾病監測的原理並應用於疾病預防控制實踐，在WHO的推動下，監測是傳染病預防控制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了歷史舞臺，並逐漸成為各個國家和地區傳染病監測的重要組成部分；20 世紀 90 年代中後期，能夠早期發現異常的癥狀監測受到更多重視，傳染病監測及其體系的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，應用較早、覆蓋面廣、技術成熟，多依賴於醫療衛生機構的被動報告，主要包括法定傳染病報告和病原實驗室監測（表1）。我國的傳染病信息報告管理系統（國家傳染病疫情報告系統，NNDRS）實現了以醫療衛生機構為基礎的法定傳染病病例的實時、網絡直報，並對病例、診斷、流行病學信息等進行逐壹監測，可以獲得基於人群的傳染病發病和死亡數據。在美國，通過國家應報疾病監測系統（NNDSS），覆蓋範圍內約 3000 家醫療機構對法定疾病病例信息進行監測，並利用電子實驗室報告（ELR）監測人口中傳染病的發病率和死亡率。國家傳染病疫情監測系統對覆蓋區內約3000家醫療衛生機構的法定疾病病例信息進行監測，並利用電子實驗室報告系統對病例生物樣本的檢測和結果等信息進行監測。
2.非傳統監測：不依賴於特異性診斷，而是基於非特異性臨床癥狀和傳染病相關現象的監測手段，相對於傳統監測，更註重早期多源數據的利用，大多屬於主動監測範疇，主要包括癥狀監測、事件輿情監測，以及藥品銷售、學校缺課等多源數據監測。其中，癥狀監測應用最多：通過對相關信息進行連續、系統的收集和分析，可以在臨床明確診斷前提示疾病爆發並做出合理解釋，及時發現疾病在時間和空間分布上的異常聚集[21]。例如，我國曾在北京奧運會、上海世博會等大型人群聚集活動中，對發熱、腹瀉、皮疹等重點癥狀進行監測並發揮了積極作用[9-10]。歐洲針對流感樣病例和急性呼吸道感染開發了 Influenzanet 系統，事先收集誌願者的基本信息，每周以調查問卷的形式收集誌願者是否出現發熱、流涕、肌肉疼痛等癥狀以及出現癥狀後的就醫行為，實現對公眾的癥狀監測。此外，與傳染病相關的多源數據監測也在逐步豐富，如美國的 "社區流行病早期通報"（ESSENCE）監測急診病人投訴、藥品銷售、學校缺勤記錄、健康熱線記錄等醫療相關數據。歐洲地區開發了威脅跟蹤工具（TTT），對媒體、學術網站上發布的威脅事件以及國家政府或衛生組織發布的傳染病公告進行持續監控和跟蹤（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預期正常水平的異常現象[8]，即預警是監測系統的重要產出之壹，其發展與監測的歷史基本吻合。最初的預警系統大多是基於法定報告傳染病的監測而建立的，如美國基於軍事醫療機構病例監測的 ESSENCE 預警系統、對法定報告傳染病監測數據進行分析檢測的中國傳染病自動預警與反應系統（CIDARS響應系統（CIDARS）等[8，29]。隨著癥狀監測和更廣泛的非傳統監測的出現，預警數據源得到極大豐富，促進了預警系統的多元化發展，如世界衛生組織建立的全球公共衛生情報網（GPHIN），利用非政府渠道的媒體監測數據進行預警，在壹定程度上避免了政府對信息的控制。在壹定程度上避免了政府幹預信息的影響，提高了預警的及時性[30]。2004 年在美國實施的 Biosense 系統根據軍事醫療機構監測到的發熱、胃腸道癥狀、出血性疾病等 11 種綜合征的數據進行預警[31]，後來又增加了對藥品銷售數據、學校缺勤記錄、緊急車輛調度等數據的檢測和分析。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：即傳統的監測數據，具有預警準確率高的優勢，是目前預警數據源中最重要的組成部分。例如，我國基於此類數據運行的 CIDARS，當出現病例數異常增加、發生人群聚集或出現單個敏感病例（如鼠疫、新球菌肺炎、人感染禽流感等）時，可實現自動預警[29, 32]。值得註意的是，Li, C. J. 等人[33]和 Zhang, H. L. 等人[34]的評估研究發現，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，這種現象在國際上也普遍存在，可能是由於追求高靈敏度導致系統過於敏感，特異性無法保證。此外，由於這些數據是在病例確診後產生的，需要被動上報，導致 CIDARS 的預警缺乏時效性，尤其是對新發傳染病（如新發冠心病）的暴發。總之，基於臨床和實驗室診斷數據的預警高度依賴於報告單位的質量，且易受診斷能力、隊伍建設、地方幹預措施等因素的影響而出現信息滯後[35-38]，往往難以實現對新發傳染病疫情的預警，需要其他多點觸發機制的補充。
（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，可以與基於臨床和實驗室數據的預警形成較好的互補。例如，美國佛羅裏達州在2016-2017年利用國家癥狀監測計劃開展的癥狀監測發現了17例未報告的寨卡病毒感染病例，幫助該州衛生部門及時采取防控措施[39].Canas等[40]在英國開展的利用自報癥狀監測檢測新結膜炎感染風險的研究，在遏制疫情發展和醫療資源分配方面初步取得了較好的效果，應用前景廣闊。但利用癥狀監測數據進行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較高，技術分析難度較大，影響了系統的大規模推廣應用[41-42]。
（3）其他多源數據：隨著大數據的發展和應用，傳染病預警數據的來源進壹步擴展到其他傳染病相關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，有利於早期捕捉異常信號，推動預警工作 "關口前移！".例如美國的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，近年來在水傳播疾病、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內9種語言的互聯網新聞報道（超過000條數據）。新聞報道（超過30000條數據源）每天檢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（MERS）、埃博拉出血熱等疫情預警中發揮了重要作用[43]。然而，多源信息的可靠性無法保證，在用於預警時，較低的 "信噪比 "會消耗大量的公共**** 衛生資源，這就對預警分析和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，幾次修改算法後並沒有很好地修正數據，分別在2009年和2013年出現了嚴重低估和高估真實流感大流行的情況，目前已不再更新。