作为评估病毒传播力及预测传染病爆发的重要指标,基本再生数R0 (basic reproductive number) 在新冠病毒全球大流行的背景下被频繁提及。在流行病学上,R0指在没有外力干预时,一个已感染某种传染病的人会将其传染给几个人。当R0<1时,传染病将会得以遏制并逐渐消失;R0>1时,将导致传染病例数不断增加。通常来说,R0越大,则传播力也越强,对传播的控制也越棘手。人类历史上已知的传染病中,麻疹的R0为12-18,天花的R0为5-7,埃博拉的R0为1.5-2.5,流感的R0为2-3。而新冠病毒经过变异株演化,R0也随之改变。
2022年5月5日,来自宾夕法尼亚大学的黄静教授受邀做客欧洲杯竞猜平台临床研究中心“聚菁荟萃”临床研究论坛,并带来了一场主题为“Understanding the Dynamics of Pandemic and Preparing for Better Prevention”的讲座,讲述了由她和费城儿童医院Policy Lab团队一起组建开发的Covid Lab: Mapping Covid-19 in Your Community这一疫情传播模型。在他们的模型中,对于R0价值的进一步挖掘至Rt,起到了关键作用。
在传统的SIR模型中,人群按照易感-易感染-恢复来划分,以此求出的R0值总是常量,并不随时间、地点等动态因素的变化而变化,这并不符合新冠病毒因快速变异而改变传播速率的特性,也因此学界又对该模型做了进一步拓展,使之具有随时间变化的特点,R0也随之变成了Rt。而对于Covid Lab开发团队来说,这还不够。为了使Rt更稳定,他们采用了TSI模型。TSI模型简化了对于人群的划分,只关注新增感染人群,这不仅方便数据的收集,同时也提升了计算的便捷性。通过赋予感染人群每日传播力值,最终预测未来某日被已患病人群传染的新增感染人群,从而获得连续的Rt,为之后回归模型的建立奠定基础。在模型中,Covid Lab选择了全美211个郡县、178892208人作为研究队列,将预估的Rt和不同区域的每日湿球温度、社交距离、人群密度等变量进行回归分析,从而描述各个郡县的Rt与这些暴露因素的关系。结果显示,保持社交距离,较低的人口密度及湿球温度均与降低Rt值相关。
通过对模型的进一步优化,Covid Lab直接采用quasi-score方法,引入时间连续性回归模型来获取即时Rt,并以随机效应来应对一般报告错误,从而构建出一个近似卷积神经网络的多层深度学习模型,成功预测了德州和弗罗里达州2020年夏季疫情扩散情况。在迅速获得大量媒体关注的同时,Covid Lab对疫情传播的预测也帮助白宫和各州政府对各项防控政策的调整进行决策。
黄静教授在讲座中提及,这项Covid Lab的工作一开始其实始于一场同事间对于新冠疫情在美国是否会因夏季到来而自然终结的聊天,基于这个偶然的开端,开启了这两年来围绕新冠传播的研究工作。如今,新冠病毒仍旧在不停变异迭代,相信他们持续深入的工作一定能继续助力政府及时调整防控策略,为疫情防控做出科学的贡献。
(文:顾雯韵;图:顾雯韵)