第二部分 流行病风暴来袭 10 大数据时代的流行病预测

这是一座大城市,它遭受了重创。首批病例出现在8月下旬,患者痛苦不堪。最早的临床症状是严重的腹泻和呕吐。患者们表现出重度脱水、心率加快、肌肉痉挛、烦躁不安、严重口渴、皮肤缺乏弹性等症状。一些患者病情发展为肾衰竭,其他的则发展为昏迷或者休克。很多染病的人都死了。

到了8月31日晚上,疫情真正暴发了。接下来的3天时间里,仅一条街上就死了127人。到了9月10日,死亡数上升至500人。流行病来袭,童叟皆无幸免,鲜有无人患病的家庭。

这场流行病给市民带来了极大的恐慌。在一星期时间内,街道里3/4的居民都逃走了。商店打烊,住户家大门紧锁。以前熙熙攘攘的城市街道,如今连个人影都看不见。

疫情之初,一位40岁的流行病学家开始对病源进行调查。他咨询了社区领导,系统地对患者家庭进行了访谈,并在详细绘制的地图上标出每一个病例。他怀疑是一种水源性疾病在作祟,于是研究该社区的水源,断定其水源来自两家城市自来水公司中的一家。他从供水系统中取样进行微生物和化学分析,没得出明确结论。

在给负责人的报告里,他阐述了自己的分析,认为疫情应该是水污染所致。尽管水质分析没有明确结果,但为病例所绘制的地图强有力地支持其结论:一个特殊的出水口是疫情之源。他建议切断水源,负责人同意了。虽然大批民众逃离社区,使疫情可能有所减轻,但事实证明,调查研究和关闭水源对控制疫情还是至关重要的。

这次疫情的不寻常之处,不是暴发后的程序性调查。世界上各国的当代流行病学家会定期实施这样的调查。他们得到当地领导的支持,研究病例的分布情况,对潜在的病源进行分析,并且经常跟官员就最佳应对举措进行争论。我要分享的这个案例的不寻常之处在于:疫情发生在1854年——在流行病学出现之前。

流行病大事记

1854年,伦敦爆发大规模霍乱疫情。经过研究,约翰·斯诺医生发现引发疫情的病源是水。

正如你可能已经猜到的那样,负责调查疫情的正是约翰·斯诺(John Snow),著名的伦敦内科医生和牧师,如今被视为当代流行病学的奠基人之一(见图10-1)。引发疫情的罪魁祸首当然就是霍乱弧菌(vibrio cholerae),即霍乱。由于发现病源是水而不是“污浊的空气”,斯诺为现代传染性疾病的微生物理论做出了贡献——该理论认为传染病是由微生物引起的。直到今天,你都能在伦敦索霍区看到那个著名的百老汇街水泵的复制品。斯诺断定那个水泵是1854年疫情之源。

今天看来斯诺有点凭直觉判断,但他使用访谈、病例识别和绘制地图的方法来找出1854年百老汇街霍乱疫情之源,在那个时代是具有革命性意义的。虽然1854年以前地图已被广泛使用,但他绘制的索霍区地图无论在流行病学上,还是绘图学上都属创举(见图10-2)。他是第一位利用地图从地理学角度分析相关事件,并由此得出因果结论的人。此举使斯诺被誉为地理信息系统(geographic imformation system, 简称GIS)使用第一人。


图10-1 约翰·斯诺博士(摄于1856年)

地理信息系统

目前普遍使用的一种绘图系统,用于捕捉和分析地理信息。


图10-2 约翰·斯诺用来发现霍乱疫情来源的伦敦地图

识别病毒的新技术手段

在当代地理信息系统中,一层层的信息添加到了像斯诺所绘制的地图中,用于提供更有深度的地理信息,并提出因果关系的模式。虽然斯诺的地图包括街道、住家、疾病和水源的位置,但现在的地图会包括更多层面的信息:有在不同地点采集的霍乱样本的基因信息,有结合天气信息和空间变化的时间维度,也可能有来自不同家庭的个人之间的社会联系。

GIS是各种各样当代研究技术中的一种。这些技术使我们调查疫情和了解疾病传播的研究方式发生了明显变化。全面协调使用这些技术手段,就可能从根本上改变我们监测和遏制疫情的方式。

我们现在拥有多种斯诺在19世纪中叶所缺乏的科技优势。其中最重要的一点,是我们捕捉微生物和记录其多样性的能力已有了显著提高。分子生物学的革新,尤其是捕获基因信息并对其进行测序的技术革新,已经深刻地改变了我们识别周围微生物的能力。

聚合酶链反应(polymerase chain reaction, 简称PCR)这样奇妙的技术,现在已经成了标准的研究手段,该技术的发明者凯利·穆利斯(Kary Mullis)因此获得了诺贝尔奖。PCR使我们能够从微生物上截选微小的基因信息碎片,制作出数十亿相同的拷贝,然后阅读其基因序列,了解所属的微生物家族。标准的PCR需要研究者知道自己正在寻找什么。例如,如果我们想要找到一种未知疟原虫,我们可以用PCR去识别特定的疟原虫基因序列,因为所有疟原虫都有彼此看上去十分相似的基因区域。但是,如果我们不知道正在寻找的是什么呢?

在21世纪初,为了找到未知微生物,一位聪明的年轻分子生物学家乔·德瑞斯(Joe DeRisi)和他的同仁们改进了一项令人关注的技术。该技术由他的博士生导师、斯坦福生物化学家派特·布朗(Pat Brown)开发。布朗发明的DNA微阵列芯片(DNA microarray chip),是在一个小玻璃片上以阵列形式分布的成千上万个不同的、细小的人工合成基因序列。因为样本基因信息与预设基因序列粘在一起,如果用药液冲洗置于载玻片上、含有基因信息的样本,那么与载玻片上预设基因序列匹配的样本基因将会溶解。这样你就可以通过识别载玻片上哪些预设基因序列诱捕了其自然界的兄弟姐妹,来确定样本里有些什么基因序列。到德瑞斯改进该技术的时候,成千上万的科学家们已经采用这一技术来描绘生命系统中基因信息的特征。

在德瑞斯的创新性研究之前,微阵列芯片主要用于帮助科学家们确定人类基因和动物基因的内部运作方式。但德瑞斯及其同仁们意识到,如果将这项技术加以改进,就能够创造出一个强大的病毒检测系统。他们没有将芯片设计成人工合成的人类基因信息阵列,而是设计成病毒基因信息阵列。通过仔细地梳理科学界所有已知病毒基因信息的科学数据,他们精心制作了芯片,上面以阵列形式排列着一个完整的病毒家族基因信息。如果他们从一位病患身上获得基因信息,其中所包含的病毒的某个序列与芯片上的序列相似,那么病毒就会被诱捕住。这就成功了!我们据此可以知道正在对付的是什么病毒。

这些病毒微阵列(viral microarray)专用芯片在全世界的实验室里得以广泛地应用。它们有助于迅速地识别出导致新型流行病的微生物凶手,例如引起SARS的冠状病毒,但是该技术并非完美无缺。这些芯片只能抓住来自科学界已知病毒家族的病毒。如果有一组我们完全不知道其序列的病毒,那么我们就没法在芯片中设计其基因序列,真正未知的病毒就会被我们忽略掉。


近几年里,一系列大胆新颖的测序方法,已经补充到病毒微阵列中。新机器从样本中解读出哺乳动物的大量基因序列数据——这些数据以前因价格昂贵或者耗时太长而无法拿到。这些机器正帮助我们确立一个全新的发现病毒的方法。

这个方法不是寻找特殊的基因信息,而是采集一个样本,也就是一滴血,对其含有的每一个基因信息进行测序。技术上比我说的更为复杂,但结果与你所设想的差不多。能够阅读所提供的生物样本的每一个基因序列,这正是我们一步步靠近的目标。到时候,我们将能够阅读来自宿主样本的每一个DNA或者RNA信息,尤其关键的是,能够阅读追随着它们而来的微生物的每一个基因信息。

中心问题之一就变成了生物信息学——如何对这些奇妙的研究技术所产生的几十亿个基因信息进行整理?幸运的是在一个启蒙运动中,美国国家卫生研究院的科学家们对测序信息加以挑选,建成了一座电子仓库。该电子仓库由著名的美国洛萨拉莫斯国家实验室(Los Alamos National Laboratory)研发,现在被叫作基因库(GenBank)。因为研究资助机构和学术期刊要求科学家们在提交学术论文前先到基因库提交基因序列,我们每年共为其贡献几十亿个基因信息。基因库目前有超过1000亿个基因序列信息,并且其库存数量增长很快。从一次基因测序中确认的一个新序列,能够迅速地与基因库内的序列进行电子比对,看是否有匹配的序列。

在2006年年末和2007年年初,科学家们使用这些技术手段取得了很好的成果。2006年12月上旬,澳大利亚但德隆医院里一位患者因脑溢血死亡,其器官被取下用于移植。一位63岁的老太太和另一个不知名的受体分别移植了他的两个肾,当地一所大学一位64岁的讲师移植了这位男子的肝脏。到了2007年1月上旬,这三位受体都死了。

当地医院和合作实验室开始排查所有常见的罪魁祸首。他们采用PCR技术,并试图在培养基里培养微生物,甚至尝试了一种病毒微阵列技术,都宣告失败。一种病毒只有在样本经过大量测序后才能被发现。发现病毒的团队由哥伦比亚大学世界级实验室病毒学家伊恩·利普金(Ian Lipkin)领导。他们整理了10多万个基因序列后,发现了属于这个神秘病毒的14个基因序列。真是大海里捞针啊!最终发现的神秘病毒是属于沙粒病毒(arenaviruses)类的病毒,通常寄居在啮齿类动物身上。如果没有大量测序工作,我们是不可能发现该病毒的。

预测病毒进化轨迹的新技术手段

虽然识别一次小规模新疫情的实际源头很关键,但这仅仅是个开始。随着我们对疫情越来越了解,我们将不得不提出一个更难回答的问题:疫情将走向何方?它会不会演变成一场流行病?

正在兴起的流行病预防学(science of pandemic prevention)主要有三个目标:

1.早点识别地方性流行病(epidemics)。

2.评估地方性流行病演变成全球性流行病(pandemics)的概率。

3.在致命的地方性流行病演变成全球性流行病之前遏制它们。

病毒微阵列和测序技术让我们初步了解了引发地方性流行病的传染源头,但是小规模疫情中的一种新型感染源,有能力演变成流行病的概率有多大,还需要采用更多的技术手段来评估。这正是由美国国防部高级研究计划局(U.S. Department of Defense\'s Advanced Research Projects Agency, 简称DARPA)研发的一个新项目的目标。DARPA对当代技术世界产生了惊人的影响,比如资助了对现代计算、虚拟现实和互联网本身发展奠定重要基石的早期研究。

DARPA正在研发一个叫作“预言”(Prophecy)的项目,其目的是“成功地预测任何病毒的自然进化”。预言项目致力于使用技术手段来预测疫情走向:结合技术手段与全世界病毒热点地区的专家团队的研究支持进行分析。预测一种病毒未来的进化轨迹似乎是科学神话,但预言项目践行了DARPA直面高风险也是高回报的理念。幸运的是,以我们今天对流行病的了解和可使用的技术工具,这一目标有可能实现。

以加州大学旧金山分校劳尔·安迪诺(Raul Andino)为代表的前沿实验病毒学家致力于病毒进化的理性预测。病毒繁殖十分迅速,因此任何病毒性传染,哪怕是单个病毒颗粒引发的,都将迅速地发展为一个病毒群。其中有一些病毒是完全相同的,但大多数是创造它们的母代病毒株的变异体,与母代病毒株有这样或那样的不同之处。通过记录和研究整个病毒群应对不同环境的方式,安迪诺及其同仁们致力于研发出使用活病毒的疫苗制品的理性策略(这一问题我们在第11章还将提到)。他也希望使用相同的信息,去确定一个病毒群在进化中所占据的边界范围。病毒群不会朝所有的方向行进。了解一个病毒群的组成,将有助于了解它会进化成什么模样。

另一个致力于改变我们预测微生物进化方式的科学家不是生物学家,而是一位有物理学功底的生物工程师。他叫史蒂夫·奎克(Steve Quake),同样也是NIH主任先驱奖的获奖者。他研发的技术让我们以不可思议的有效方式研究和操控生命体。在近10年一直在斯坦福大学成功运作一个教学项目的同时,这位一身牛仔装扮的滑雪迷已经孵化出多家公司,研发了多项专利,在顶级期刊上发表了多篇论文。来自奎克研究小组的一项有用的创新成果是微流体平台(microfluidic platforms)。从本质上来说,他已在小小的实验室芯片上制造出了整个实验室。

在一个特别著名的应用实验中,他进行了既乏味又复杂的细胞培养工作。在那里,来自哺乳动物和其他生物体的细胞在实验室环境下生长——从实验台到芯片上。他和团队发明的芯片只有几厘米长,拥有96个单间,细胞同时在里面生长几星期时间,能够被仔细地测量和操控。在一块机械化生产的压缩芯片上进行细胞培养,这项工作有很多用途,其中之一是为了评估来自大量样本的新病毒的传播速度和有效性。我们不难想象一个以芯片为基地的系统能够迅速地告诉我们:一种新感染源在哪一种细胞里能存活,因此其最可能行进的传播路径(通过性、血液还是打喷嚏等)是哪一条。

当我们面对一次疫情的时候,有很多问题需要探究。首当其冲的问题就是:疫情背后的微生物是谁?病毒微阵列和高通量测序这些技术正在加快我们识别新型感染源的速度,也有助于我们发现旧技术没法识别的微生物。但是一旦我们识别了一种微生物,就想知道它将走向何方。我们将在第12章里描绘最终的流行病预防系统的未来,但该系统肯定包括像安迪诺实验室研发的,评估一种病毒所采取的进化方向的那些方法。奎克研究小组有一天也许会推出一套高速芯片,迅速评估微生物可能采取的传播路径。

大数据时代的流行病预测

现代信息和传播技术为我们提供了另一套研究工具,用于从事与上面所讨论的生物技术进步有所区别又互为补充的研究工作。事实上,当你阅读这句话时,一些这样的技术工具正躺在你的口袋里。

一个叫作埃维的橡胶种植园,位于喀麦隆西南部我们的一个研究点内,我们在那里进行实验。这一实验展现了公共卫生领域一个令人激动的新趋势,虽然它只是基于简单的手机信息的传播。

在埃维这个大约有10万居民的橡胶园里,每当有人生病,他们就去附近的某家诊所就医。如果病得很重,他们就从诊所转到位于橡胶园中心区域的中心医院。然而,过去没有好的技术方式令中心医院可以监控那些地方诊所的情况。如今在数字流行病学领域领导我们项目的拉奇·古拉斯卡拉(Lucky Gunasekara),他是非营利组织“短信前线:医生”(FrontlineSMS : Medic)的创办人之一。几年前,他与该组织的合作伙伴们创建了一个基于手机短信的简单系统,使中心医院能够监控地方诊所里的情况。通过简单地发送一系列预置代码,诊所里大部分关键性信息能够清楚、持续而有效地在医学体系里层层上传。使用预置代码和简单的短信形式,地方诊所能够迅速地告知其他人所收治的疟疾、腹泻和其他疾病的病例数。

简单的技术可以产生重大的影响。几个简单的技术应用就让埃维的医疗情况不仅被中心医院所掌握,也能被任何一个拥有合适接入口的人通过网页界面远程了解。先进的技术让地方临床医生和病人自己可以与外界进行交流,外界因此可以累积、组织和分析信息。这样一来,一个突发卫生事件发生期间,有关事件发展进程的信息就会传播得更加快捷,实地信息也增多了。

2010年海地地震就是这样的情况。地震一发生,像尤沙黑迪(Ushahidi)这样的组织就编制了简短的自由代码,供人们发送求助信息。他们随后把这些代码发给了当地音乐节目主持人,借主持人之口将这些数字公之于众。令人惊讶的是,当一切尘埃落定时,手机短信分布的统计分析图与地震灾害的高分辨率航空图像高度契合。实际上,人们的手机短信给重灾区的定位提供了很有价值的线索。对海地灾区的人们而言,更重要的是短信能救命,能将关键信息传递给空中直升机上的救援人员。

类似的系统已经在疫情暴发期间使用,例如2010年秋海地暴发的霍乱疫情就使用过该系统。我们最终希望能将疫情侦查工作实现群众外包,将患者们提供的零散信息汇集在一起,勾画出从疫情开始到随后扩散的实时画面。简短的代码只是一个开始。当越来越多的国家采用电子医疗记录时,世界各地的人都可以直接通过手机报告自己的健康问题,以此加强与医疗网络的联系。这些信息不仅将为报告身体有恙的患者提供更有效的治疗,而且当分析大量用户的信息时,健康异常现象将被更迅速、敏锐地侦查出来。发展到最后的反应系统,能够识别出标志一种流行病开始的异常的健康问题集群。至此,数字流行病学时代真正到来了。


用短信作为疾病扩散的一个早期指示标,也有人对此持异议,原因之一是:即便在最紧迫的情形下,也不是所有人都会发短信。但是手机有一些使用方法,是不需要用户进行任何操作的。

就在我写这句话的时候,世界上超过60%的人口已经被安装了自动定位信标。这些信标持续提供他们所在准确位置的最新信息。在未来5~10年内,地球上几乎每个人都将安装上自动定位信标。这不是政府阴谋,你口袋里的手机才是始作俑者。

手机不断地与信号塔进行交流,提供给电信运营商海量的数据,包括用户所在位置,用户彼此间如何联系,和需稍加解释的用户社会行为。这些所谓的呼叫数据记录为电信部门提供大量数据,使他们有机会了解客户并进行更多的服务营销。但是,大数据价值不仅仅体现在营销上,这一持续信息流貌似单调,但能够救你的命。

被手机公司搜集的数据,使我们都成了迅速侦查出重要人类事件的潜在传感器。内森·伊戈尔(Nathan Eagle)对此做了细致的研究。他是麻省理工学院媒体实验室成员,将呼叫数据记录应用于广义问题的开拓者之一。伊戈尔和同仁们合作,旨在通过挖掘呼叫数据记录了解地震情况。

伊戈尔和其研究团队在卢旺达研究呼叫模式数据达3年之久,其中包括对2008年2月3日那关键一星期的数据研究。当天基伍湖地区发生了5.9级地震。通过设立呼叫频率的基准数据,伊戈尔和其团队能够发现地震之后那段时期呼叫模式异常的蛛丝马迹。他们能够通过呼叫数达到的一个峰值,来确定地震时间,也能够利用来自手机信号塔的定位数据确定震中即呼叫量最大的位置。

利用手机数据侦查出地震时空信息的想法着实令人惊讶,它也暗示了一系列不同的手机数据应用。患者可能跟健康人有着本质上不同的呼叫模式。当一个新疫情向外扩散时,呼叫模式也可能发生改变。单单分析呼叫数据记录,可能对一个新疫情的早期侦查而言不尽完美,但结合我们和其他卫生机构组织提供的疫情资料,也许能帮助我们勾勒流行病早期的扩散趋势。


如今手机的使用越来越普遍,这可能成为疫情演变成流行病之前,迅速发现和应对疾病的利器。然而在日益发展的数字监控领域,手机并不是以技术为主的唯一解决方案。2009年我在谷歌的同仁们发表了一篇令人关注的论文,表明个人在线搜索模式也提供了人们所患传染病的信息。

通过采用谷歌保存的海量搜索数据以及美国疾控中心搜集的美国流感监控数据,研究团队能够校准监测系统,确定病患和其护理者所使用的、表明疾病出现的搜索关键词。研究团队通过搜索与流感及其症状、治疗相关的单词,建立了一个预测流感趋势的系统,比美国疾控中心提供的流感统计准确率更高。而事实上,谷歌团队做得更好:谷歌搜索数据即刻就能获得,美国疾控中心流感监测数据却有滞后的问题,因为需要时间来报告和发布。先于传统监控系统提供准确的流感趋势预测,谷歌由此击败了美国疾控中心。

谷歌流感趋势系统所提供的有关季节性流感的早期数据很有趣,并且有潜在的重要性。这一早期数据让卫生机构有时间订购药物,以满足不同病情之需。但是季节性流感的早期侦查不是我们的终极目标,我们的目标是建立一个能够发现一种新兴流行病的系统。谷歌现在正努力将疾病侦查范围从流感扩展到其他种类的疾病。当越来越多的人使用谷歌这样的搜索引擎,我们就可以获得越来越多的数据。我们所希望的是,除流感之外其他感染源的趋势分析也做得越来越好。也许有朝一日,我们仅仅谷歌搜索一下,就会发现一种流行病正在某社区兴起。


社交网络的迅猛发展,提供了另一组大数据,使我们有可能会发现即将到来的疫情信息。这些信息虽然微弱,但有潜在的价值。像英国布里斯托尔大学的计算机科学家威斯利斯·莱普(Vasileios Lampos)和奈勒·克里斯蒂亚尼尼(Nello Cristianini)已经采用与谷歌科学家们相类似的方法,对数以亿计的Twitter信息进行整理。像他们在谷歌的同仁们一样,莱普和克里斯蒂亚尼尼使用关键词观察Twitter上的流感趋势,发现其与流感统计具有相关性。这里的流感统计是指英国健康保护署(UK\'s Health Protection Agency)提供的数据。

2009年在甲型H1N1流感病毒大流行时期,他们追踪Twitter中与流感相关的信息的出现频率,并将结果与官方卫生数据比对,发现准确率达到97%。与谷歌流感趋势研究团队的研究成果一样,莱普他们的研究提供了一个既快捷又具有潜在廉价性的流感研究方式,作为传统流行病数据收集的补充。这种研究方式也可能扩展到对流感以外疾病的研究。

虽然社交网络可以让我们调查到人们正在交流什么话题,但它也许还能提供一系列更为丰富和精细的应用。在最近一项引人注目的研究中,两位社会科学的领军人物尼古拉斯·克里斯塔基斯(Nicholas Christakis)和詹姆斯·福勒(James Fowler)研究了社交网络如何能为传染性疾病提供监控。

在一个设计精巧的实验里,这两位科学家追踪被分成两组的哈佛学生。第一组被试者是从哈佛学生中随机选择的,第二组被试者是从被第一组人列为朋友的人中选出来的。因为靠近社交网络中心的个人,可能比处在边缘的人更快地被传染上疾病,克里斯塔基斯和福勒就假设在一次疫情中,朋友组比随机组更快地传染上疾病,因为随机组一般比朋友组离社交中心远。实验结果令人震惊。在2009年的流感疫情中,朋友组比随机组平均早14天感染上流感病毒。

我们希望社会科学能够识别出新的“哨兵”来监控新疫情,并早点捕获它们。但是确定人与人间的朋友关系是要花时间的——我们在一所单独的学校办得到,在全国范围内也许就不行了。当前巨大的在线社交网络中自我确认的朋友,也许让这项任务更容易完成了。像Facebook这样的在线社交网络虽然不是为监控疫情之便而设计,但却创造了相对便利的监测系统,能够被用于确定疾病的出现频率,识别社会性“哨兵”,也许最终会就一种新型感染源在一个社区的扩散提供预警。


当约翰·斯诺于1854年首创地理信息系统时,他所采取的行动在我们今天看来,十分合乎逻辑且直截了当。他绘制了一张地图,标注了病人所在的位置以及可能的污染源。斯诺不可能预测到他所迈出的尝试性的第一步将最终走向何方,或者预测到今天的GIS可使用的数据。

未来可能不会出现一种数据包打天下的局面。如果斯诺生活在今天的社会,要调查一次疫情,他会想要得到所有数据:病患在什么地方;如何通过短信或者互联网搜索能更迅速、便捷地得到数据;病例是被什么所传染,甚至是被什么特有的微生物的基因株传染;如何最大限度地使用呼叫数据,记录监控人们的流动,以便追踪疾病的流动或者孕育疾病之所;人们是如何进行社会性联系的——他应该会追踪可能的首批感染者,或者是比其他人先出现病症的人。

你可以想象一下未来的疫情GIS,或者用硅谷人更为熟悉的术语——我们的数据团队负责人拉奇·古拉斯卡拉称其为未来的疫情聚合图(mash-up):包含着层层关键信息的一幅地图——有人们所在的位置、他们的关注点、他们感染的微生物、他们流动的地方、他们联系的人。研发和持有这张结合数字化和生物学的聚合图,正是拉奇团队的奋斗目标,也是本书最后一章我们将要提到的内容。随着时间的推移,不同疫情的数据可以放在一起加以分析,使得我们在实际的疫情中考察不同因素的影响,并能够对所有的技术手段进行最优加权,使预测效力最大化。

小结

当人们问我是否对流行病预测的未来持乐观态度时,我的回答总是一声响亮的“是”!根据本书前2/3的内容,你也许会质疑我的乐观。动物和人类之间稳定持久的相互关联,已经酝酿了一场完美的新型流行病风暴。然而,如今通过传播和信息技术在人与人之间构建的相互联系性,我们在提早捕捉疫情方面获得了前所未有的能力,再加上人类潜心研究引发流行病的微生物多样性,取得了令人瞩目的进步。两者结合,使我的乐观主义有了可靠的保障。

谁将是最终的赢家?流行病将横扫人类,毁掉数百万生命,还是科技将策马前去,拯救人类?