烏干達西南部的布溫迪密林國家公園以棲息於其茂密霧氣繚繞高地的瀕危山地大猩猩聞名。這裡同時也是約120種哺乳動物、350種鳥類及數百種植物的家園，公園邊界還有人類與家畜。這樣的環境促成了流行病學家所稱的「溢出事件」，即病原體在不同物種間的傳播。

2003年，位於烏干達恩德培的非營利組織「透過公共衛生保育」（Conservation Through Public Health，CTPH）開始著手保護山地大猩猩免於感染如疥癬等源自鄰近人類的疾病。該團隊採用整合人類、動物與生態系健康的「一體健康」方法，平衡人類需求與動物及其生態環境的健康。CTPH公共衛生專家Ssali Ronald Ogwal表示，過去多為被動應對疫情爆發，但組織現正轉向更積極的疾病預防策略，部分得益於人工智慧的應用。

作為歐盟與非洲國家合作的公共衛生計畫NESTLER三年合作的一部分，Ogwal於2026年3月結束前，從布溫迪周邊的牛隻與家禽採集樣本，送往恩德培實驗室檢測布魯氏菌病及裂谷熱等可感染人類的疾病。結果與當地社區分享後，團隊將資料與CTPH常態的大猩猩監測紀錄結合，並轉交NESTLER同事。這些數據用於訓練預測型人工智慧模型，作為可影響人類、家畜與大猩猩的疾病爆發早期警示系統。

許多影響人類的傳染病屬於人畜共通傳染病，意即起源於其他動物。包括引發COVID-19大流行的SARS-CoV-2病毒，以及被認為起源於狐蝠科果蝠的伊波拉病毒。人類可直接接觸蝙蝠體液感染伊波拉病毒，或透過與感染蝙蝠接觸的動物間接感染。

農業發展、氣候變遷與土地利用改變（如森林砍伐）增加了人類與野生動物的接觸，提升溢出事件發生的可能性。全球化與地緣政治則加速疾病在人類間的傳播。COVID-19大流行強烈證明，溢出事件對全球身心健康、生計與教育造成深遠影響。

對Ogwal等研究者而言，人工智慧結合實務措施（如規範野生動物交易）提供強大工具，管理人畜共通疾病並降低溢出風險，甚至可能預防疫情爆發。理論上如此，但AI工具仍有限，且尚未廣泛應用於傳染病流行病學。然而，機器學習技術的持續進步正逐步改變現狀。

Ogwal表示：「這些AI系統不只是等待疫情爆發，而是透過深度分析大量數據，識別模式。」預測結果可在疫情擴大前採取行動。

若想在疫情失控前阻止其擴散，快速且有效的數據處理至關重要。

澳洲雪梨大學病毒學家Edward Holmes指出，機器學習模型擅長「從海量數據中篩選、依規則尋找模式」。他開發模型以辨識非專門採集樣本中的新型人畜共通病毒，利用GenBank及Pathoplexus等公共病毒序列資料庫。模型訓練於所有已知人類病原體序列，能識別與疾病出現相關的特徵，如細胞受體與傳播方式。Holmes稱這些模型能辨識「高風險」病毒，供研究人員現場監測，甚至設計預防疫苗。

其中一款模型LucaProt，是Holmes與合作者於2024年開發的深度學習演算法，利用蛋白質結構推測RNA病毒。研究團隊分析10,487個公共轉錄組資料集，發現161,979種RNA病毒，其中70,458種為首次發現，創下單一研究最大病毒發現紀錄。雖然其中大多數病毒可能不會對人類造成威脅，但研究者認為理解新興傳染病需掌握病毒多樣性及其跨物種跳躍與演化機制。

其他團隊也運用AI於病毒發現。2021年，英國格拉斯哥大學科學家發表機器學習方法，利用已知人畜共通病毒預測可能跨越人類的新病毒。今年初，美國研究者則提出預測模型，辨識疾病宿主並建議最佳採樣時機。

與當地社區合作是抗疫關鍵工具。

這些模型目前多用於研究，尚未廣泛應用於監測。Holmes建議可在溢出高風險地帶如活體動物市場、家禽場或蝙蝠棲息地設置定期抗體採樣，由當地人員負責數據產生與分析，並匯集至中央系統，形成全球疫情雷達圖，類似空中交通管制。他建議世界衛生組織位於柏林的疫情情報中心可擔此重任。

Holmes認為此系統可行且具成本效益。世界銀行2022年估計，採用一體健康策略的預防措施每年費用約115億美元，僅為疫情管理成本約三分之一。他指出，政治與人為因素是阻礙，短期政治思維常壓倒長期財務節省的潛力。

Holmes及其他專家強調，監測仍需人類參與。伊朗巴斯德研究所病毒學家Nader Ebrahimi與Amir Ghaemi於2026年《刺胳針感染病》指出，AI結合宏基因組測序雖有價值，但無法單獨解決病原體出現的根本不確定性。

除了病毒識別，AI亦用於疫情預測與監控。加拿大多倫多公司BlueDot為沙烏地阿拉伯疾病預防控制中心及美國芝加哥市等客戶提供服務，利用AI收集並篩選數千篇文章與官方數據，翻譯65種語言，提取特定疾病與症狀資訊，並結合航空票務資料，評估與客戶所在地相關的風險。BlueDot流行病學與數據科學副總裁Andrea Thomas表示。

2015年，BlueDot研究人員結合埃及斑蚊生態資料、氣溫及巴西疫情地點航班資訊，預測美國佛羅里達邁阿密可能爆發茲卡病毒，後來數年該州共記錄1,471例病例，證明預測準確。

BlueDot另建構提升迴歸樹模型，結合多模型預測，評估2036年前歐洲、美國及加拿大南部登革熱、基孔肯雅熱、茲卡等蚊媒疾病風險，考量蚊種分布與氣候變遷。

儘管過去十年AI技術日益成熟，全球健康監測並非新事物。20年前，美國波士頓兒童醫院流行病學家John Brownstein等人開發基於Google Maps的HealthMap系統，監控全球疾病爆發。該系統利用專門資料字典整合新聞、政府衛生部門與社群媒體數據，並用貝氏過濾法剔除垃圾訊息。2019年底，HealthMap首次發出COVID-19相關警報。

2025年起，團隊擴展至BEACON計畫，結合HealthMap與其他來源警報，利用大型語言模型（LLM）建立儀表板，提供更精細的疫情風險評估與資訊，涵蓋剛果民主共和國與烏干達的伊波拉疫情。Brownstein表示，該平台自啟用以來，已有來自233國家與地區超過22.7萬用戶，包括公共衛生專業人士與臨床醫師使用。

BlueDot利用LLM簡化資訊分享與客製化流程，Thomas說：「新技術使資訊收集與萃取更容易。」此外，模型近乎民主化，讓非專家能自行加入數據，無需外部分享。

然而，AI應用也帶來倫理議題。

一項關切是AI在偵測人畜共通疾病時，是否納入當地社區，尤其是中低收入國家的居民。流行病學家與社會人類學家擔憂，若未將社區成員的生活經驗、地方知識與實際情況納入模型，可能導致AI偏誤。