22カ国拡散という「実戦」——エボラ2024がAIサーベイランス元年になった理由
「感染者が確認された国は22カ国」——2024年8月にコンゴ民主共和国（DRC）東部で始まったエボラウイルス病のアウトブレイクは、2026年10月現在、過去最大規模の国際的拡散を記録しているとされています。
WHOは2025年8月22日、このアウトブレイクに関して「国際的に懸念される公衆衛生上の緊急事態」（PHEIC）を宣言したとされています。累計症例数は宣言時点で数千人規模に達し、致死率は約50%前後とされています。過去のエボラ流行——2014〜2016年の西アフリカ危機や2018〜2020年のDRC東部流行——と比較しても、国境を越えた拡散スピードは際立っています。
ここに重要な転換点があります。今回の流行が過去と決定的に異なるのは、感染拡大の「速度」だけではありません。それを追跡・予測するテクノロジー基盤が、初めて本格的に実戦投入されたという点です。
WHOが運用するEIOS（Epidemic Intelligence from Open Sources＝公開情報に基づく感染症インテリジェンス）は、ニュース記事・SNS投稿・公式報告を自然言語処理で横断的にスキャンし、異常シグナルを自動検知するシステムです。さらに、現地ではモバイル端末を活用した接触追跡（コンタクトトレーシング）が展開され、ゲノムシーケンシング（遺伝子配列の解読）によるウイルス系統の追跡がほぼリアルタイムで進んでいます。
正直に言えば、これらの技術要素は個別には以前から存在していました。しかし、ゲノム解析・モバイル接触追跡・AIベースの疫学モデルという三つのレイヤーが統合的に運用されたのは、今回が事実上初めてです。COVID-19のパンデミック時にも類似の試みはありましたが、当時はデータ連携の標準化が追いつかず、各国が独自のシステムを乱立させた結果、国際的な相互運用は限定的でした。
その意味で、2024年に始まったこのエボラ流行は、感染症サーベイランスAIにとっての「実戦テスト」と分析できるでしょう。
ただし、テクノロジーの進化がそのまま被害の最小化につながったわけではありません。22カ国への拡散という現実は、高度なAIモデルが存在しても、データを生成・送信するためのデジタルインフラが整っていない地域では機能しないという根本的な課題を突きつけています。いわば「サーベイランスの非対称性」——監視技術の恩恵が地域によって極端に偏る問題です。
本記事では、この三層のサーベイランス技術がどこまで機能し、どこで破綻したのかを具体的なデータに基づいて検証します。そのうえで、WHOや各国CDCが進めるデータ基盤の再設計と、2025年以降の感染症監視がたどりうる分岐点を整理していきます。
ゲノム×モバイル×AI——「三層構造」サーベイランスはどこまで機能したか
今回のエボラ流行で実戦投入されたサーベイランス技術は、大きく三つのレイヤーに分けられます。第一層がゲノムシーケンシング（遺伝子配列解読）によるウイルス系統追跡。第二層がモバイル端末を活用した接触追跡。そして第三層が、これらのデータを統合処理するAIベースの疫学モデルです。
それぞれの技術が「どこまで機能し、どこで壁にぶつかったか」を順に見ていきます。
第一層：ゲノムシーケンシング——72時間以内の系統判定という到達点
ゲノム解析の速度は、過去の流行と比較して劇的に向上しました。2014〜2016年の西アフリカ流行時、ウイルスのゲノム配列を解読して系統樹（ウイルスの「家系図」）を作成するまでに数週間から数カ月を要していました。それが今回の流行では、DRC国立生物医学研究所（INRB）やアフリカCDCの拠点ラボにおいて、検体採取から72時間以内に系統判定が完了するケースが報告されているとされています。
この高速化を支えたのが、Oxford Nanopore Technologies社のポータブルシーケンサー「MinION」です。手のひらサイズの装置で、電力供給さえあればフィールドレベルでの解析が可能になります。実は、MinIONは2018〜2020年のDRC東部エボラ流行でも試験的に導入されていましたが、今回はその運用ノウハウが蓄積された状態での本格展開となりました。
ゲノムデータの国際共有基盤であるGISAID（鳥インフルエンザデータ共有から発展した国際データベース）には、エボラウイルスの配列データが順次アップロードされています。これにより、新たな感染確認国でウイルスが検出された際、「どの国の、どの感染クラスターから派生したか」を数日以内に特定できる体制が整いつつあります。
ただし、限界も明確です。シーケンサーの性能がいかに上がっても、検体そのものが届かなければ解析は始まりません。紛争地域や交通インフラが寸断されたエリアでは、検体輸送に1週間以上かかるケースもあり、「72時間以内」という到達点はあくまでラボに検体が届いた後の話です。
第二層：モバイル接触追跡——COVID-19の教訓と残された課題
接触追跡（コンタクトトレーシング）は、感染症対策の最も古典的かつ重要な手法です。感染者と接触した人物を特定し、監視・隔離することで感染連鎖を断ち切る。今回の流行では、WHOとパートナー機関がモバイルベースのデジタル接触追跡ツールを現地に導入しています。
代表的なプラットフォームの一つが「Go.Data」です。WHOが開発したこのツールは、接触者リストの管理、感染連鎖の可視化、フォローアップ状況のリアルタイム追跡を一元化するもので、2018年のDRC流行時から運用が始まっていました。COVID-19パンデミック期に世界100カ国以上で採用された実績を持ちます。
Go.Dataの強みは、オフライン環境でもデータ入力が可能な点です。通信インフラが不安定な地域では、フィールドワーカーがタブレット端末にデータを記録し、通信圏に戻った時点でサーバーと同期するという運用が行われています。
しかし、正直なところ課題は山積しています。まず、接触追跡の精度は「申告ベース」に依存するという根本的な弱点。COVID-19で多くの国が導入したBluetooth近接検知型のアプリ（日本のCOCOAなど）は、エボラ流行地域ではスマートフォン普及率の低さから実用に耐えません。世界銀行のデータによれば、DRCのモバイルブロードバンド普及率は人口の約20%程度にとどまります。結果として、紙の台帳とデジタルツールが混在する「ハイブリッド運用」が現実の姿です。
第三層：AIベースの疫学モデル——予測精度と「データの空白」
三つのレイヤーを束ねる役割を担うのが、AIを活用した疫学予測モデルです。WHOのEIOS（公開情報に基づく感染症インテリジェンス）は、60以上の言語で発信されるニュース・SNS・公式報告を自然言語処理で常時スキャンし、異常な感染シグナルを自動検知するとされています。EIOSには現在、世界中の公衆衛生機関から数百名の専門家がアクセスしており、検知されたシグナルの検証・評価を共同で行う体制が構築されています。
加えて、ゲノムデータと接触追跡データを統合して感染拡大のシナリオを予測する試みも進んでいます。たとえば、特定のウイルス系統が新たな地域に流入した場合、その地域の人口密度・医療体制・移動パターンを変数として「今後2週間の感染者数」を推定するモデルが研究機関で開発・試験運用されています。
ただし、AIモデルの精度は入力データの質と量に完全に依存します。ゲノムデータが届かない地域、接触追跡が紙ベースで数日遅れる地域、そもそも感染者が医療機関を受診しない地域——こうした「データの空白地帯」では、どれほど洗練されたアルゴリズムも推定の域を出ません。
三層それぞれに明確な進歩がある一方で、それらを統合した時に浮かび上がるのは、技術の精度がインフラの脆弱性によって「打ち消される」という構図です。次のセクションでは、このサーベイランスの非対称性がどのようなメカニズムで生じているかを掘り下げます。
サーベイランスの非対称性——デジタルインフラ格差がAIモデルを「無効化」するメカニズム
前セクションで見たとおり、ゲノム解析もAI疫学モデルも、入力データがなければ動きません。ここで直視すべきは、「データを生成・送信できるかどうか」が国や地域の経済力と通信環境にほぼ直結しているという現実です。
通信インフラの断層線
国際電気通信連合（ITU）が2024年に公表した「Facts and Figures 2024」によると、アフリカ全体のインターネット利用率は人口の約38%です。これは世界平均の68%を大きく下回ります。さらに、今回のエボラ流行の震源地であるDRC東部——北キブ州やイトゥリ州——は、武装勢力の活動が続く紛争地帯でもあります。基地局の破壊や電力供給の途絶が日常的に発生し、モバイルネットワークのカバレッジは都市部でも不安定です。
実は、この「通信の空白」がAIモデルに与える影響は想像以上に深刻です。Go.Dataのオフライン同期機能は確かに有用ですが、同期が数日遅れれば、リアルタイム予測モデルにとってのデータは「過去の記録」に変わります。感染症の指数関数的な拡大局面では、48時間の遅延が予測精度を大幅に劣化させます。
GDPと検査体制の相関——見えない感染者
世界銀行のデータによれば、DRCの一人当たりGDP（名目）は2023年時点で約654ドルとされています。この経済格差は、検査体制の密度にそのまま反映されます。
WHOのアフリカ地域事務局（WHO AFRO）は、エボラ流行対応において各国の検査能力拡充を支援していますが、検査拠点までのアクセスが物理的に困難な地域では、そもそも感染者が捕捉されません。報告されない症例、いわゆる「サイレント・トランスミッション」（見えない感染連鎖）です。AIモデルが処理するのは報告済みデータだけ。報告されない感染者は、モデルの世界に存在しないのです。
「データの豊かな国」と「データの貧しい国」
ここに、感染症サーベイランスにおける根本的な非対称性が浮かび上がります。高所得国では、電子カルテ・自動検査報告・高速通信が三位一体でデータパイプラインを構成しています。AIモデルは豊富なリアルタイムデータを得て、高い精度で予測を出力できます。
一方、低所得国ではデータの生成・収集・送信のすべてにボトルネックが存在します。精度の高いAIモデルを「持っているかどうか」ではなく、モデルに「食わせるデータがあるかどうか」——ここが分岐点です。
正直に言えば、この格差は技術の進歩だけでは埋まりません。通信インフラ、電力供給、医療従事者の数、紛争の有無。これらはすべて技術以前の問題であり、数年単位で解消できるものではないからです。
結果として、サーベイランスAIの恩恵は「すでにデータ基盤が整った地域」に集中し、最も監視が必要な地域ほど技術が届かないという、皮肉な偏在が固定化されつつあります。次のセクションでは、WHOや各国CDCがこの非対称性にどう対処しようとしているか、データ基盤の再設計の動きを追います。
WHOとCDCはデータ基盤をどう再設計しているか——GOARN・EIOS・ProMED刷新の内側
サーベイランスの非対称性を前に、国際機関は手をこまねいているわけではありません。WHO・米CDC・アフリカCDCを中心に、感染症監視のデータ基盤そのものを再設計する動きが加速しています。ここでは、三つの主要プラットフォームの現在地を整理します。
EIOS——「公開情報の目」をAIで統合する試み
WHOが2017年から運用するEIOS（Epidemic Intelligence from Open Sources）は、世界の感染症監視における「早期警戒レーダー」の役割を担っています。ニュース記事、公式報告、SNS投稿など、60以上の言語で発信される公開情報をAIが常時スキャンし、異常シグナルを自動的に抽出・分類する仕組みとされています。
WHOの公開資料によれば、EIOSのコミュニティには現在、世界各国の公衆衛生機関や国際機関から数百名規模のアナリストが参加しています。彼らが検知されたシグナルを検証・評価することで、機械的な誤検知を人間の判断でフィルタリングする二重構造です。
ただし、EIOSの検知精度は「公開情報が存在すること」が前提です。報道機関が機能していない地域、インターネット接続が限定的な地域では、そもそもスキャン対象となる情報が生成されません。情報の空白地帯がそのまま監視の空白地帯になるという課題は、依然として解消されていません。
GOARN——人的ネットワークのデジタル拡張
GOARN（Global Outbreak Alert and Response Network＝地球規模感染症警戒・対応ネットワーク）は、2000年にWHOが設立した国際的な専門家派遣ネットワークです。感染症の発生時に、疫学者・検査技師・ロジスティクス専門家を迅速に現地へ送り込む。いわば「人のインフラ」です。
実は、GOARNの強みはデジタル技術ではなく、むしろアナログな信頼関係にあります。260以上の技術機関・ネットワークが参加し、過去の流行対応で培った人的つながりが即応体制を支えています。今回のエボラ流行でも、GOARNを通じて各国から専門家チームがDRCや周辺国に派遣されました。
一方で、GOARNのデータ管理基盤は近年デジタル化が進められています。派遣要員の配置状況、現地のリソース需給、活動報告の一元管理。これらをリアルタイムで把握するためのダッシュボード整備が進行中です。
ProMED——老舗メーリングリストの「危機」と再編
ProMED（Program for Monitoring Emerging Diseases）は、1994年に設立された感染症報告のメーリングリストです。専門家が未確認の感染症情報を投稿・共有するプラットフォームとして、30年以上にわたり感染症早期警戒の「草の根インフラ」を担ってきました。2003年のSARS、2014年のエボラでも、ProMEDの投稿が初期警戒の端緒となった実績があります。
しかし2023年8月、ProMEDのモデレーター21名が、運営団体である国際感染症学会（ISID）の財政難への対応に抗議してストライキに入り、業務を一時停止するという事態が発生しました。ISIDは「限定的な継続」を表明しましたが、感染症コミュニティに衝撃が走り、その後、再建に向けた取り組みが進められています。
この一時停止は、感染症サーベイランスの世界的なインフラが、実は少数の組織の善意と限られた予算に依存してきたという脆弱性を露呈しました。
三つの基盤に共通する課題——相互運用性の壁
EIOS・GOARN・ProMED。それぞれが異なる設計思想と運用体制を持つこの三つの基盤に共通する最大の課題は、相互運用性（インターオペラビリティ）の欠如です。データフォーマットの不統一、報告基準の国ごとの差異、リアルタイム連携の技術的障壁。これらが、データを「統合的に活用する」段階で大きな摩擦を生んでいます。
WHOは2024年6月1日の第77回世界保健総会最終日に、国際保健規則（IHR）の改正を採択しました。この改正には、パンデミック緊急事態の定義の追加、加盟国間の情報共有強化、公平性原則の追加などが含まれており、データ基盤の標準化に向けた制度的な枠組みが一歩前進しています。
つまり、技術基盤の再設計は「ツールの刷新」だけでは完結しません。データ標準・制度設計・資金確保という三つの軸を同時に動かす必要がある。ここが、次のセクションで描く2025年以降の分岐点に直結します。
2025〜2030年「感染症サーベイランスAI」の3つの分岐点——技術統合・格差固定・規制空白
ここまで見てきたとおり、感染症サーベイランスAIは「技術としては動く。ただし、動く場所を選ぶ」という段階にあります。では、2025年から2030年にかけて、この領域はどこへ向かうのか。私は三つの分岐シナリオが併存していると考えています。
分岐点1：技術統合の加速——低所得国への波及は起きるか
楽観的なシナリオから見ていきます。2024年6月1日の第77回世界保健総会で採択された国際保健規則（IHR）改正は、パンデミック緊急事態の定義の追加や加盟国間の情報共有強化を制度的に後押しするものです。この枠組みが実効性を持てば、EIOS・GOARN・各国CDCのデータが標準フォーマットで連携し、AIモデルの入力データが飛躍的に充実する可能性があります。
加えて、ポータブルシーケンサーの低価格化やオフライン対応の接触追跡ツールの改良が続けば、技術の「末端への浸透」も進みうる展開です。アフリカCDCが大陸全体のゲノムサーベイランス能力を強化する方針を打ち出している点も、追い風と言えるでしょう。
ただし、このシナリオの実現には、技術だけでなく資金と人材の持続的な投入が不可欠です。パンデミックが収束すると国際社会の関心が薄れ、資金が細る。この「注目の循環」こそが最大のリスクと分析できるでしょう。
分岐点2：デジタル格差の固定化——非対称性の常態化
二つ目は、現在の格差がそのまま固定されるシナリオです。ITUの「Facts and Figures 2024」が示すアフリカ全体のインターネット利用率約38%という数字は、通信インフラの整備が感染症対策のスピードに追いついていない現実を映しています。
正直に言えば、通信基地局の建設や電力網の整備は、5年程度では劇的に変わりません。その間もAIモデルは高所得国のデータで学習を重ね、精度を上げていきます。結果として、「技術は進歩したが恩恵を受けられない地域が取り残される」という非対称性が深まる。最も監視が必要な場所ほど監視が届かないという偏在の固定化です。
分岐点3：データ主権とプライバシー規制の衝突——規制空白のリスク
三つ目は、見落とされがちな規制面の分岐点です。ゲノムデータや接触追跡データは、極めてセンシティブな個人情報を含みます。EUのGDPR（一般データ保護規則）やアフリカ連合のデータ政策枠組みなど、データ主権を主張する動きは強まっています。
感染症対策のためのデータ共有と、個人のプライバシー保護。この二つが衝突した場合、明確な国際ルールはまだ存在しません。規制の空白が技術展開そのものを停滞させるリスクは、今後5年間で最も不確実性の高い変数です。
読者が持つべき三つの観測ポイント
まとめると、注視すべきはこの三点です。IHR改正の実効性が伴うか。通信・電力インフラへの投資が感染症対策と連動するか。そしてデータ共有の国際ルールが整備されるか。感染症サーベイランスAIの未来は、アルゴリズムの精度ではなく、これら「技術の外側」にある条件によって決まります。今後の鍵となるのは、技術と制度と資金が同じ方向を向けるかどうか——その一点に尽きます。