新发人畜共患病对全球健康构成重大威胁。尽管机器学习（Machine Learning, ML）在该类疾病管理中展现出应用潜力，但目前仍缺乏对其如何覆盖从动物到人类完整传播通路应用的系统性认知。研究人员通过开展范围综述，系统梳理了ML在人畜共患病管理中的应用分布，旨在识别不同流行病学阶段、不同功能域的研究趋势、方法学路径及关键缺口。研究沿两个维度组织文献：一是流行病学阶段，覆盖从动物宿主到人类群体的全过程；二是功能域，包括诊断、流行病学与干预。研究人员检索了PubMed与Web of Science数据库中针对14种预设高优先级人畜共患病的相关研究，检索策略融合了目标疾病、ML技术与功能应用（诊断、流行病学、干预）的关键词。最终纳入966项研究进行分析，其中72.8%聚焦于新型冠状病毒肺炎（Coronavirus Disease 2019, COVID-19）。分析结果显示，ML在人类群体的临床诊断、疫情预测及干预优化方面表现出稳健性能；然而关键缺口依然存在——仅1.96%的研究关注动物—人类界面，尚无ML模型明确以溢出预防为目标，动物储存宿主监测相关研究仍然有限。所有溢出阶段研究均来自高收入国家或中高收入国家（Upper-Middle-Income Countries, UMICs），而低收入及中低收入国家（Low- and Lower-Middle-Income Countries, LMICs）贡献了21.4%的人类阶段研究。上述发现揭示了研究投入与溢出风险之间存在显著错配，凸显了未来需加强对溢出机制的关注、深化跨物种传播动力学的整合，并开发适用于资源受限地区监测的方法。解决这些不平衡问题，对于推动从被动应对暴发向在“同一健康（One Health）”框架下主动预防溢出转变至关重要。
研究背景与意义
人畜共患病由可在动物与人类间自然传播的病原体引发，对全球健康、经济及粮食安全构成严峻挑战。历史大流行及持续疫情表明其破坏力巨大，超过60%的新发传染病及约75%的新人类病原体源于动物。因此，理解与预防跨物种传播是流行病监测的核心目标。该类疾病具有高发性、广泛社会影响及快速全球扩散的特点，使得被动应对模式失效。COVID-19大流行警示了局部溢出事件可在数周内演变为全球危机，亟需覆盖从动物宿主到人类群体全通路的主动、多层监测与预测体系。传统数学模型在处理复杂人畜共患生态时面临过度简化或难以验证的局限。机器学习（ML）擅长识别复杂系统中的非线性关系与隐藏模式，无需先验机制假设即可实现精准建模，且具备自适应学习能力，适配病原体动态演化特征。然而现有综述多聚焦人类感染后的特定阶段，缺乏对完整传播通路的整合视角，难以识别早期干预机会与技术缺口。在此背景下，研究人员开展了这项范围综述，系统绘制ML在全通路中的应用图谱，为构建前瞻性防控策略提供路线图。该研究发表于《Transboundary and Emerging Diseases》。
关键技术方法
研究人员采用范围综述方法，依据PRISMA-ScR指南执行。构建了包含三个流行病学阶段的分析框架：动物宿主/媒介监测、动物—人类界面溢出风险评估、人类群体管理。同时按功能域划分为诊断、流行病学、干预三类。研究选取14种具有高负担或大流行潜力的代表性人畜共患病，涵盖媒介传播、直接接触、空气/飞沫传播等途径。检索策略融合疾病、ML技术及功能应用关键词，于2023年7月10日检索PubMed与Web of Science。由多名评审员独立执行文献筛选，依据预设标准纳入原始研究，排除非ML核心应用或数据预处理类研究。采用标准化表格提取数据，包括疾病、国家、阶段、功能域、算法、数据类型及收入分组。鉴于研究异质性，未进行荟萃分析，而是采用叙述性综合方法，沿概念框架分组归纳趋势与缺口。
