在新冠肺炎大流行期間，大多數建模工作都試圖解決(jue) 緊迫的實際問題，但一些研究團隊還有另一個(ge) 目標，那就是鞏固這些模型的理論基礎。

　　人們(men) 通常對流行病學模型及其中的變量並不熟悉，但有一個(ge) 模型卻因為(wei) 在電影《傳(chuan) 染病》（Contagion）中出現過而變得廣為(wei) 人知。“我們(men) 需要確定的是，”由凱特·溫斯萊特扮演的科學家說，“每一個(ge) 感染者可能會(hui) 將疾病傳(chuan) 染給多少人？”她在白板上寫(xie) 下了幾種常見疾病的傳(chuan) 染人數：季節性流感約為(wei) 1，天花高達3，而脊髓灰質炎在4到6之間。

　　這個(ge) 數值就是基本傳(chuan) 染數（R0），即一個(ge) 病例在完全易感人群中將疾病傳(chuan) 染其他個(ge) 人的平均數。當某種流行病出現時，研究者會(hui) 立即對R0進行估計，因為(wei) 這個(ge) 數可以顯示出一種新病原體(ti) 可能傳(chuan) 播的猛烈程度，即如果不加以緩解，疫情可能會(hui) 發展到多大程度；以及可能達到群體(ti) 免疫的臨(lin) 界值。R0可以幫助決(jue) 策者判斷控製這種疾病的難度，以及如何進行控製。一般而言，如果R0大於(yu) 1，表明疾病會(hui) 繼續擴散；如果小於(yu) 1，則說明疾病傳(chuan) 染能力受到限製，將會(hui) 自行消退。

　　然而，評估一種疾病的傳(chuan) 播參數可能非常困難，而且容易出現連專(zhuan) 家也不一定能預見到的陷阱。例如，在COVID-19大流行期間，R0的估計值相差很大，從(cong) 小於(yu) 2到6與(yu) 7之間不等。

　　因此，盡管過去一年的大多數建模工作都專(zhuan) 注於(yu) 解決(jue) 世界新冠疫情中最緊迫和最實際的問題，但一些研究團隊卻在更深的層次上，努力探討潛在的理論問題。他們(men) 試圖對R0等參數進行更深入的分析，以了解這些變量的真正含義(yi) ，如何進行估算，以及何時應該或不應該使用它們(men) 。

　　這些科學家所做的是重要的基礎工作，他們(men) 的目標是為(wei) 下一次不可避免的流行病做好準備。“我覺得這是值得理解的，”加拿大麥克馬斯特大學的理論生物學家喬(qiao) 納森·杜肖夫說，“我們(men) 希望會(hui) 有更多可靠的工具，這樣當下一次疫情來臨(lin) 時，需要擔心的事情就會(hui) 少一些。”

　　流行病的傳(chuan) 播速度和強度

　　關(guan) 於(yu) R0，最基本的障礙是它不能直接測量。如果流行病學家可以獲得所有想要的信息，他們(men) 就可以通過計算每個(ge) 感染者導致的病例數並取其平均值來獲得R0。但在實踐中，研究者無法觀察這些感染事件，隻能根據觀察到的數據從(cong) 統計模型中估計R0。

　　為(wei) 了彌合可觀察到的流行病增長或減少的速率（杜肖夫稱之為(wei) “速度”）與(yu) 期望值R0（即“強度”）之間的差距，我們(men) 還需要引入另一個(ge) 重要的參數：世代間隔（generation interval），即從(cong) 一個(ge) 人被感染到其感染下一個(ge) 人之間的時間（由於(yu) 該變量的數值可能變化很大，因此研究人員常用單個(ge) 數值來表示世代間隔，比如平均值，或者用分布來表示）。

　　美國佐治亞(ya) 理工學院的生物學家約書(shu) 亞(ya) ·韋茨說，“人們(men) 常常把這兩(liang) 者混為(wei) 一談，認為(wei) 更快的增長率一定意味著更高的R0。”事實上，我們(men) 需要通過世代間隔以及一次感染導致另一次感染的速度來審視這種增長率。

　　考慮這樣一種情況：一種疾病在最初病例出現三周後，出現了8個(ge) 新病例。如果這種疾病的世代間隔是一周，那麽(me) 最初病例會(hui) 導致第一周後出現2個(ge) 新病例，再下一周出現4個(ge) ，然後是8個(ge) ；也就是說，每一次感染都會(hui) 導致另外兩(liang) 次感染，R0為(wei) 2。但是，如果這種疾病的世代間隔為(wei) 三周，那麽(me) 第一個(ge) 病例就會(hui) 直接產(chan) 生8個(ge) 新病例，R0為(wei) 8。

　　約書(shu) 亞(ya) ·韋茨說：“我們(men) 觀察到的結果和我們(men) 想知道的並沒有一一對應。”已觀察到的相同病例統計數據可以用完全不同的R0值來解釋，這給研究者提出了挑戰，“在該領域仍然沒有得到很好的解決(jue) ”。

　　韋茨和杜肖夫在2014至2016年的西非埃博拉疫情期間就直麵了這一挑戰。他們(men) 意識到，如果死後傳(chuan) 播——在葬禮期間處理死者導致的感染——是新埃博拉病毒感染病例的主要來源，那麽(me) 大多數專(zhuan) 家所估計的世代間隔可能就太短了。這意味著已公布的R0值可能被低估了，醫療部門在阻止疫情爆發方麵可能采取了錯誤的優(you) 先順序。事實上，研究人員後來證實了死後感染在埃博拉病毒傳(chuan) 播中的重要性。

　　估計新冠肺炎的R0

　　考慮到這一經驗，杜肖夫和韋茨以及普林斯頓大學的生態學和進化生物學研究生Sang Woo Park從(cong) 去年開始對不同的新冠肺炎R0估計值進行分析。當韋茨看到這些估計值之間的巨大差異時，他說：“在我看來，他們(men) 真正在做的是對世代間隔的不同假設。”

　　事實上，當韋茨等人仔細梳理不同研究小組的計算結果時，他們(men) 發現的情況正是如此。他們(men) 還發現，如果研究人員隻考慮有症狀個(ge) 體(ti) 的傳(chuan) 播動態，就很可能會(hui) 計算出錯誤的R0值。一些研究發現，無症狀者傳(chuan) 播病毒的時間更長，既因為(wei) 他們(men) 可能有較長的病毒釋放期，也因為(wei) 他們(men) 更有可能避免被發現，從(cong) 而繼續傳(chuan) 播疾病。

　　韋茨表示，如果有症狀和無症狀傳(chuan) 播“具有不同的世代間隔，那麽(me) 這將從(cong) 根本上改變我們(men) 的估算結果，從(cong) 而改變我們(men) 對當前風險和（未來）情況的理解”。他還指出，這些發現強調了確定無症狀傳(chuan) 播的明確定義(yi) ，以及確定其發病率是否隨時間或在不同人群中發生變化的重要性，“這些都將導致非常不同的結果”和應對措施（例如優(you) 先考慮對COVID-19進行快速大規模檢測）。

　　另一個(ge) 考慮因素是，COVID-19的世代間隔可能隨著時間的推移而減小。甚至當研究人員第一次開始計算R0時，封城和“檢測—追蹤—隔離”等幹預措施已經大大減少了人與(yu) 人的接觸，縮短了傳(chuan) 播周期。然而，對R0的估計需要基於(yu) 流行病未減弱時的情況，因此，如果在某些變化發生後再推斷世代間隔，就會(hui) 有再次低估R0的風險。

　　這項工作也使韋茨等研究者開始對疾病傳(chuan) 播的某些方麵進行重新解釋。韋茨舉(ju) 例稱，整個(ge) 夏天，“有一種說法是，病例在年輕人中傳(chuan) 播，是他們(men) （不負責任的）行為(wei) 推動了這種傳(chuan) 播。”但是，行為(wei) 本身可能並不是罪魁禍首：如果年輕人在生物學上更有可能以無症狀的方式傳(chuan) 播病毒，他們(men) 就可能對傳(chuan) 播速度產(chan) 生巨大的影響，而這僅(jin) 僅(jin) 是因為(wei) 無症狀傳(chuan) 播的世代間隔較長。韋茨指出，相關(guan) 研究結果仍然是初步的，並不完整，但他認為(wei) 這些結果“很有趣”，可能有助於(yu) 我們(men) “開始擺脫這種需要某個(ge) 群體(ti) 承擔罪過的觀念”，因為(wei) 這是不合適的。

　　朝著正確的方向發展

　　新冠肺炎的世代間隔之所以如此複雜，部分原因在於(yu) 無法直接觀察到，因為(wei) 感染的時間往往是不可知的——這一點與(yu) R0類似。研究人員必須借助一個(ge) 替代參數——序列間隔（serial interval），也就是從(cong) 一個(ge) 人首次出現症狀（原發病例）到被其感染的人出現症狀（繼發病例）之間所經過的平均時間。

　　然而，序列間隔的值通常是通過仔細的接觸者追蹤和相關(guan) 的流行病學研究獲得的，而這兩(liang) 者在流行早期都無法做到。這導致有關(guan) 序列間隔到底是什麽(me) 的問題出現了許多不同的假設和不確定性。

　　盡管世代間隔和序列間隔在概念上是相似的，但它們(men) 有著本質的不同。例如，世代間隔總是為(wei) 正值。但在新冠肺炎等涉及大量症狀發生前傳(chuan) 播的疾病中，患者有時會(hui) 先於(yu) 感染他們(men) 的人出現症狀，因此序列間隔的值可能是負的（在無症狀傳(chuan) 播的情況下，序列間隔是無法定義(yi) 的）。Sang Woo Park表示，新冠病毒使他意識到“他們(men) 需要建立一個(ge) 更好的框架來捕捉”傳(chuan) 播動態的複雜性。

　　此外，研究人員還發現了另一個(ge) 統計上的難題：個(ge) 體(ti) 應該如何分組，以及應該如何測量它們(men) 的傳(chuan) 播間隔。這些都非常重要。根據接觸者追蹤數據對序列間隔進行估計通常是回溯式的，即從(cong) 感染人群回溯至感染他們(men) 的人；但結果表明，這種方法比向前測量序列間隔——從(cong) 攜帶者至被感染者——更容易受到統計偏差的影響。為(wei) 了解決(jue) 這個(ge) 問題，杜肖夫等研究者正深入研究如何使用適當的參考點來獲得更準確的R0估計值。

　　“我們(men) 還沒有完成，”杜肖夫說道。這是他們(men) 和其他同行仍然需要努力解決(jue) 的問題。不過，一切都在有條不紊地進行著，他們(men) 正在分析每一個(ge) 體(ti) 的傳(chuan) 播時間，采取不同的觀察視角，以確定這些個(ge) 體(ti) 對了解疾病的動態有多重要。

　　轉向Rt

　　盡管在流行病開始時很有必要對R0進行良好的估計，但隨著時間的推移，R0的即時效用會(hui) 逐漸減弱。為(wei) 遏製傳(chuan) 播而采取的幹預措施、康複人群免疫力的提高以及其他因素都會(hui) 隨著時間的推移而改變，從(cong) 而疾病的傳(chuan) 染數量。隨著疫情的發展，研究人員逐漸將注意力從(cong) R0轉向實時的有效傳(chuan) 染數Rt。

　　與(yu) R0一樣，Rt通常由序列間隔和推測的世代間隔計算得出，而且由於(yu) 這些間隔會(hui) 在整個(ge) 疫情期間不斷演變，因此準確估計Rt並不容易。不過，當疫情的指數增長相對較高時（通常是R0相關(guan) 性更高的時期），Rt往往對序列間隔和生成間隔的假設最為(wei) 敏感。因此，一些影響R0的不確定性在開始時對Rt的影響較小。

　　Rt更具優(you) 勢的一點是，至少在原則上，Rt可以作為(wei) 疫情傳(chuan) 播潛力的實時指標，還可用於(yu) 判斷幹預措施的效果。如果Rt大於(yu) 1，表明疫情正在蔓延，可能需要采取更多緩解措施；如果Rt小於(yu) 1，則表明疫情正在減少，政策製定者可能會(hui) 考慮取消一些限製。

　　然而，使用Rt也可能帶來危險，因為(wei) 我們(men) 仍然難以對其準確評估。如果Rt被嚴(yan) 重低估的話，決(jue) 策者可能會(hui) 認為(wei) 還有比實際更多的空間來放鬆幹預。為(wei) 了使Rt在短期內(nei) 保持準確，研究人員需要根據報告病例、住院或死亡的時間推斷感染發生的時間。然而，從(cong) 人們(men) 感染COVID-19到他們(men) 被視為(wei) 病例（或他們(men) 住院或死亡）之間存在著延遲，使研究者幾乎難以推斷出準確的感染時間。

　　芝加哥大學的生態學家薩拉·科貝於(yu) 2020年4月在《美國醫學會(hui) 雜誌》（JAMA）發表了一篇文章，試圖估計Rt的變化與(yu) 新冠肺炎早期流行時實施不同防疫政策的關(guan) 係。也有研究者指出，不同方法所估計的Rt值可能會(hui) 在時間上稍有偏差。

　　科貝實驗室的博士後研究者凱特琳·戈斯蒂奇和其他研究人員發現，用於(yu) 處理這些延遲的現有統計技術在COVID-19大流行中效果不佳。他們(men) 試驗了各種已公布的方法，利用模擬數據來估算Rt，以了解Rt值及其對應的有效時間。即便如此，他們(men) 也不是總能得到準確的結果。“這變成了一個(ge) 反複拉扯的問題，”戈斯蒂奇說，“我們(men) 試圖弄清楚我們(men) 沒有得到正確答案是因為(wei) 犯了錯誤，還是因為(wei) 這些方法從(cong) 根本上就無法得到正確答案。”

　　結果表明，是這些方法本身的問題。“我們(men) 在大流行之前所準備使用的工具遺漏了很多細節，我們(men) 突然意識到這些細節十分重要——特別是報告延遲的影響。”戈斯蒂奇說，“因此，作為(wei) 流行病學家，我們(men) 得到的這些嘈雜的數據流其實是流行病實際變化的滯後指標。然後，我們(men) 就得努力找出恰當調整它們(men) 的方法。”

　　為(wei) 此，研究人員求助於(yu) 信號或圖像處理中常用的方法。他們(men) 還利用了20世紀80年代和90年代艾滋病流行期間使用的統計方法，其特點是感染和病例觀察之間的具有更長的時間延遲。

　　研究人員承認，Rt的估算總是存在一些不確定性。即便如此，戈斯蒂奇還是希望她的團隊以及其他研究者的工作，能夠對未來應對新的大流行有所幫助。

　　更完整的模型

　　對R0和Rt進行精確估計的研究也表明，這些參數還不夠充分或可靠，不足以提供對流行病的預期情況提供足夠的參考。韋茨說：“比如在提到今天的天氣時，我認為(wei) 我們(men) 這個(ge) 社會(hui) 並不會(hui) 隻滿足於(yu) 隻說一個(ge) 數值：溫度。”

　　因此，科學家們(men) 開始尋找其他參數來描述流行病疫情。一些研究者傾(qing) 向於(yu) 采用一個(ge) 反映疾病傳(chuan) 播中不均勻性和差異性的參數。其他研究者，比如卡內(nei) 基梅隆大學的計算機科學家紮卡裏·利普頓和他的團隊，則一直在開發新的數據信號，試圖超越病例、住院和死亡人數，“從(cong) 一個(ge) 不同的角度來看待這個(ge) 怪物”。這些新的信號包括近期被觀察到出現類似新冠肺炎症狀的人的比例，以及因此類症狀而就診的比例，還有其他數十個(ge) 不同指標。

　　韋茨建立了一個(ge) 風險計算器，以確定在不同地方不同規模的事件中是否有一人或多人可能感染COVID-19。“其中一個(ge) 挑戰是……外行可以用Rt來做什麽(me) ？”韋茨說，“不過，如果在準備去參加一個(ge) 50人的活動時，被告知有25%的機會(hui) 可能會(hui) 感染COVID-19，人們(men) 會(hui) 理解這意味著什麽(me) 。”

　　撇開應用不談，韋茨認為(wei) 他和其他研究者在R0和Rt上所做的理論研究是至關(guan) 重要的。“有時候你需要做一些基礎性的工作，”他說，“否則，你就不能根據基礎研究的結果來得出可推廣的發現。”

　　杜肖夫對此表示讚同，並補充道：“我們(men) 絕對需要更詳細、更現實的模型。”但他也認為(wei) ，如果模型能以對病毒傳(chuan) 播方式的直覺理解作為(wei) 指引，可能會(hui) 更加成功，“我認為(wei) 我們(men) 需要建立更多的直覺理解”。

關(guan) 注【深圳科普】微信公眾(zhong) 號，在對話框：
回複【最新活動】，了解近期科普活動
回複【科普行】，了解最新深圳科普行活動
回複【研學營】，了解最新科普研學營
回複【科普課堂】，了解最新科普課堂
回複【科普書(shu) 籍】，了解最新科普書(shu) 籍
回複【團體(ti) 定製】，了解最新團體(ti) 定製活動
回複【科普基地】，了解深圳科普基地詳情
回複【觀鳥星空体育官网入口网站】，學習(xi) 觀鳥相關(guan) 科普星空体育官网入口网站
回複【博物學院】，了解更多博物學院活動詳情