Advancing Public Health Surveillance With Artificial Intelligence: A Systematic Review of Real‐Time Data Analytics and Disease Prediction
Notice bibliographique
Résumé
Background The integration of artificial intelligence (AI) into public health surveillance is revolutionizing how health threats are monitored, predicted, and managed. Traditional surveillance systems often face challenges such as reporting delays, limited scalability, and inefficiencies in real‐time response. Leveraging approaches such as machine learning (ML), deep learning (DL), and natural language processing (NLP), AI enables the analysis of extensive and diverse datasets, facilitating the generation of timely and actionable insights for disease prevention and control. Aim This review aimed to systematically explore how AI is utilized to enhance public health surveillance through real‐time data analytics and disease prediction. Methods An extensive literature search was performed using five major databases: PubMed, Scopus, Web of Science, IEEE Xplore, and Google Scholar to identify relevant studies published between 2010 and 2025. Eligible studies applied AI methodologies to real‐time surveillance, utilized structured or unstructured health‐related data, and reported predictive or prescriptive outcomes. All the studies included were evaluated for methodological rigor, and the results were thematically synthesized. Results Thirty‐nine studies met the inclusion criteria. The majority employed ML and DL models such as Random Forests (RFs), while others incorporated NLP for analyzing text‐based data. AI systems were utilized for descriptive monitoring, predictive modeling of disease outbreaks, and prescriptive analytics to support resource allocation. Real‐time analytics demonstrated high accuracy and timeliness in forecasting disease trends, particularly for conditions such as COVID‐19, influenza, and dengue. Hybrid models that combined multiple AI techniques further enhanced predictive performance. Conclusion AI–driven surveillance systems hold considerable promise for transforming public health monitoring. They enable faster detection, improved forecasting, and more efficient public health responses. However, challenges remain, including data standardization, ethical governance, and infrastructure disparities. Addressing these barriers is essential for equitable, scalable AI implementation in global health surveillance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».