日前，據國內多家媒體報道，浙江杭州、金華、麗水等地相繼啟用“三色健康碼”，采用“一人一碼、三色管理”的模式管理作為疫情期間復工人員流動的通行憑證。

據悉，所謂“健康碼”，即是基于數字化能力的健康評估證明。

一人一碼的管理模式下，顯示綠碼者，在全市域亮碼通行；黃碼者要進行7天以內的集中或居家隔離，在連續(xù)申報健康打卡不超過7天正常后，將轉為綠碼；而紅碼者則需實施14天的集中或居家隔離，在連續(xù)申報健康打卡14天正常后轉為綠碼。

在企業(yè)開始復工的時間節(jié)點上，人員流動無疑會加大疫情防控風險，而“一人一碼”的健康評估證明數字化，有效實現流動人員的健康管理，員工去過哪些地方，有無感染風險，等情況得以實現數字化追溯，使得企業(yè)復工期間的疫情風險更加可控。

“一人一碼”的背后，大數據助力疫情防控

近日，民政部在新聞發(fā)布會上提到，科技互聯網公司對疫情防控具有重要意義，事實上，在當下的城市社區(qū)以及農村地區(qū)，微信、qq等互聯網社交軟件成為了重要的信息交流平臺，有效的保障了信息的通暢。

與17年前的非典疫情相比，當下這場沒有硝煙的“戰(zhàn)疫”中，我們有了更多新的疫情防控力量，當AI、大數據等新科技逐漸融入到人們的生活中，我們也有更多的技術和手段去與疫情抗爭。

此次浙江多地啟用的“健康碼”在應用端通過數字化的健康評估證明，實際上可以建立一個復工期間的人員流動數據庫，基于終端的LBS技術以及人流遷徙的大數據地圖，即可得到一張完整的疫情防控數字版圖，進一步實現復工人員的數字化路徑追溯，實現疫情的數字化可控。

大數據對疫情防控的助力大致上可以分為早期、中期、晚期三個重要節(jié)點，在不同的節(jié)點中發(fā)揮的效用也不盡相同。

在疫情爆發(fā)早期，大數據更大的作用是體現在病毒宿主的研究上。例如1月24日，北京大學研究團隊曾發(fā)表論文稱，NCP病毒的中間宿主可能是水貂，而在研究中，該團隊通過病毒特定基因組的數據與已有病毒基因數據庫做數據檢索和對比，再通過對比結果的進一步研究得出結論。

在疫情防控中期，基于終端的LBS技術繪制的數據遷徙圖可有效幫助預估地區(qū)疫情，從而更有針對性的定制防控方案。例如，數據遷徙圖顯示，在河南的地級市中，南陽市是湖北地區(qū)人流遷徙較多的地區(qū)，因此南陽成為河南省疫情防控中的重點區(qū)域。

在疫情防控的后期，大數據的作用主要是在對潛在風險控制上，如通過建立復工人員流動數據庫等實現人員追溯等。

事實上，大數據在疫情防控上不都是起正向作用，例如有些基于數據算法的疫情預測就容易“幫倒忙”。

2008年，Google便推出了Google Flu，試圖通過利用人們的搜索查詢記錄來預測流感的爆發(fā)，它甚至比美國衛(wèi)生部門提前兩周發(fā)現了2009年的豬流感大流行，但這種預測方法有嚴重的缺陷，那就是算法容易高估疾病的流行嚴重程度，以至于引發(fā)恐慌情緒。最后，Google Flu項目被迫中止。

其實，大數據對于疫情防控的最重要的一點，還是在于真實信息的傳播上。畢竟，疫情中，比病毒更可怕的是謠言和恐慌。而基于大數據的精準辟謠，清晰、準確、明了地為民眾呈現出事實，給恐慌“致命一擊”。

如今，幾乎所有的互聯網企業(yè)都上線了疫情防控的信息，如百度APP、今日頭條、騰訊新聞等資訊類APP，支付寶、微信等工具類APP，通過實時疫情速報、確診人員活動軌跡可視化、大數據辟謠等功能，保障真實信息流通的通暢，從而在、辟謠、預警方面發(fā)揮了重要作用。

AI+大數據+醫(yī)療，“黑科技”守護人類健康

據英國英國衛(wèi)報報道，美國華盛頓一家醫(yī)院為例避免冠狀病毒感染，在治療病患時通過機器人實行診治，該醫(yī)院傳染病主任喬治狄亞茲（George Diaz）接受《衛(wèi)報》采訪時表示，他不需要進入病房內，而是通過操作一臺醫(yī)療機器人為病人進行檢查和治療。

診斷是臨床治療傳染病的第一步，也是醫(yī)護人員面臨感染風險較高的階段。如今，在對新冠狀病毒的診療中，CT影像成為了關鍵的診斷手段。

目前，在《新型冠狀病毒感染的肺炎診療方案》中，湖北省臨床診斷中“疑似病例具有肺炎影像學特征者”作為病例標準，CT影像成為了重要的診斷手段。而在CT影像診斷方面，AI+大數據有很大的應用空間。

例如，通過建立CT影像的病例數據庫，以及數據喂養(yǎng)診斷AI算法，可以實現基于大數據分析的AI CT輔助診療。對此，有醫(yī)療行業(yè)內人士表示，影像人工智能肺炎輔診系統提供了精準便捷的參考依據，能夠迅速給出診斷意見，緩解了影像診斷醫(yī)師在精神和體力上的巨大壓力。

有數據顯示，目前我國放射科醫(yī)師數量增長率僅為4.1%，與此同時，醫(yī)療影像數據的增長率約為30%，也就是說，未來在基于深度學習算法的醫(yī)療影像AI成功商業(yè)化后，將有效提高醫(yī)學圖像診斷效率。

傳統藥物研發(fā)過程的效率痛點也將為深度學習型AI所解決，“基于系統的藥物設計”將藥物分子信息與疾病調控網絡、基因組、蛋白質組、代謝組等各類數據信息進行綜合利用，是未來的藥物設計方向之一。

在應用端，電子病歷方面的大數據技術應用環(huán)境將更加成熟。此前，北京市醫(yī)管局要求所屬23家三甲醫(yī)院必須有半數在2020年達到五級水平，而且明確要求醫(yī)院醫(yī)療部門牽頭，信息部門配合落實。作為提升醫(yī)院信息化水平的基礎項目，電子病歷的基礎應用成為大數據醫(yī)療的基礎核心內容。

在技術上，NLP自然語言學習、數據檢索、分布式數據庫和知識圖譜等技術，已經有一定程度的應用，同時，這些技術發(fā)展也在逐漸呈現出“去中心化”的發(fā)展趨勢：不僅科技巨頭，越來越多的中小技術企業(yè)也在不斷發(fā)展或應用這些技術。

目前，Hadoop數據庫已經用于電子病歷廠家的后結構化，用于BI廠家的數據分析和展現。未來隨著各大高校逐漸開設相關專業(yè)和課程，人才端的需求將會較大程度上被滿足，從而進一步降低技術門檻，從而加速大數據技術在醫(yī)療行業(yè)的應用。

結語：

雖然目前已經進入復工階段，但這并不意味和疫情拐點已經出現，復工階段人員流動勢必會給疫情防控帶來了更多的挑戰(zhàn)。

一人一碼以及背后大數據力量助力復工防控，無疑是當下最需要的防疫措施之一，而當疫情結束后，大數據在醫(yī)療領域的應用也將進一步深入和拓展，希望在不遠的未來，人們面對突發(fā)性公共衛(wèi)生事件之時，能夠有更多的“黑科技”力量應對，從而守護人們的健康和幸福。