如何准确估计流行病的传播情况?( 二 )


韦茨和杜肖夫在2014至2016年的西非埃博拉疫情期间就直面了这一挑战 。 他们意识到, 如果死后传播——在葬礼期间处理死者导致的感染——是新埃博拉病毒感染病例的主要来源, 那么大多数专家所估计的世代间隔可能就太短了 。 这意味着已公布的R0值可能被低估了, 医疗部门在阻止疫情爆发方面可能采取了错误的优先顺序 。 事实上, 研究人员后来证实了死后感染在埃博拉病毒传播中的重要性 。
估计新冠肺炎的R0
考虑到这一经验, 杜肖夫和韦茨以及普林斯顿大学的生态学和进化生物学研究生Sang Woo Park从去年开始对不同的新冠肺炎R0估计值进行分析 。 当韦茨看到这些估计值之间的巨大差异时, 他说:“在我看来, 他们真正在做的是对世代间隔的不同假设 。 ”
事实上, 当韦茨等人仔细梳理不同研究小组的计算结果时, 他们发现的情况正是如此 。 他们还发现, 如果研究人员只考虑有症状个体的传播动态, 就很可能会计算出错误的R0值 。 一些研究发现, 无症状者传播病毒的时间更长, 既因为他们可能有较长的病毒释放期, 也因为他们更有可能避免被发现, 从而继续传播疾病 。
韦茨表示, 如果有症状和无症状传播“具有不同的世代间隔, 那么这将从根本上改变我们的估算结果, 从而改变我们对当前风险和(未来)情况的理解” 。 他还指出, 这些发现强调了确定无症状传播的明确定义, 以及确定其发病率是否随时间或在不同人群中发生变化的重要性, “这些都将导致非常不同的结果”和应对措施(例如优先考虑对COVID-19进行快速大规模检测) 。
另一个考虑因素是, COVID-19的世代间隔可能随着时间的推移而减小 。 甚至当研究人员第一次开始计算R0时, 封城和“检测—追踪—隔离”等干预措施已经大大减少了人与人的接触, 缩短了传播周期 。 然而, 对R0的估计需要基于流行病未减弱时的情况, 因此, 如果在某些变化发生后再推断世代间隔, 就会有再次低估R0的风险 。
这项工作也使韦茨等研究者开始对疾病传播的某些方面进行重新解释 。 韦茨举例称, 整个夏天, “有一种说法是, 病例在年轻人中传播, 是他们(不负责任的)行为推动了这种传播 。 ”但是, 行为本身可能并不是罪魁祸首:如果年轻人在生物学上更有可能以无症状的方式传播病毒, 他们就可能对传播速度产生巨大的影响, 而这仅仅是因为无症状传播的世代间隔较长 。 韦茨指出, 相关研究结果仍然是初步的, 并不完整, 但他认为这些结果“很有趣”, 可能有助于我们“开始摆脱这种需要某个群体承担罪过的观念”, 因为这是不合适的 。
朝着正确的方向发展
新冠肺炎的世代间隔之所以如此复杂, 部分原因在于无法直接观察到, 因为感染的时间往往是不可知的——这一点与R0类似 。 研究人员必须借助一个替代参数——序列间隔(serial interval), 也就是从一个人首次出现症状(原发病例)到被其感染的人出现症状(继发病例)之间所经过的平均时间 。
然而, 序列间隔的值通常是通过仔细的接触者追踪和相关的流行病学研究获得的, 而这两者在流行早期都无法做到 。 这导致有关序列间隔到底是什么的问题出现了许多不同的假设和不确定性 。
尽管世代间隔和序列间隔在概念上是相似的, 但它们有着本质的不同 。 例如, 世代间隔总是为正值 。 但在新冠肺炎等涉及大量症状发生前传播的疾病中, 患者有时会先于感染他们的人出现症状, 因此序列间隔的值可能是负的(在无症状传播的情况下, 序列间隔是无法定义的) 。 Sang Woo Park表示, 新冠病毒使他意识到“他们需要建立一个更好的框架来捕捉”传播动态的复杂性 。

推荐阅读