宋元林:风险防控,关口前移——预测流感的模型

作 者 介 绍

宋元林

上海市教委特聘教授,复旦大学附属中山医院呼吸科主任,上海市呼吸病研究所副所长;

中华医学会呼吸分会常务委员,上海市呼吸病学会副主任委员,亚太呼吸病学会感染学组组长;

Respirology副主编,Clinical Respiratory Journal副主编,AJP-lung 编委;

病毒传播的动态变化规律

对公共卫生构成较大威胁的突发事件是新兴病原体的爆发出现,从1980年的HIV,2009年的H1N1,乃至近年来出现的中东呼吸道病毒(MERS)、西非埃博拉病毒以及寨卡病毒。

对于新兴病原体抑或流感,可利用数学模型模拟或大数据分析对其流行态势进行预测。尽管这些病毒的毒力、传播方式和宿主等均有所不同,但基本都遵循类似的动态变化传播规律(图1)。

图1 经典的从动物来源到人与人之间流感的传播途径

模型关键参数剧透

Anderson和May采用数学模型模拟了上述病毒传播的动态变化。

这个模型里有几个关键的参数:R系指在没有免疫力的人群最初感染病原体后直接引发的病例数。如果R01,病原体就会播散导致大流行或爆发。Generationtime(GT)是指从一例感染患者传染给另一例患者的时间。R0越大,传播时间越短,大流行的速度就会越快。结合疾病的危重程度、病死率、人群免疫力产生的速度和程度、人群流动性、患者发病后收治住院治疗等因素,可以初步估算流感传播的规律或进行预测。

但这个经典的数学模型也有缺点。对于基础传染性疾病应用经典模型短期内预测发病或笼统地预测长期趋势是可以接受的,但用于中期预测则会产生较大的偏差,因素很多包括生物、生态、社会因素等会影响预测结果,如传染接触方式,区域活动状态,诊断治疗效果,以及地区防控措施等。缺失数据又是另一个困扰模型精确预测的原因。很多疾病爆发之前的数据很难收集到,而且许多流感的流行总是与预测结果相左。解决数据问题的一个方法是充分参悟病原体的生物学机制,但令人遗憾的是很多相关机制或基于机制的假设往往都是错误的,典型的例子就是关于美国寨卡病毒的流行预测。再者,还有一个影响因素是媒体和常人对模型预测结果的偏好。2014年美国国家CDC对埃博拉病毒流行的预测(无流行控制措施条件下),与实际流行情况出入很大,与媒体报导对该病预测采用极端值有关,但实际情况是对利比亚和塞拉利昂埃博拉病毒的流行实施了有效的控制,实际发生数量低了一个数量级。

由此可以看出,很多实际的因素会干扰应用数学模型预测流感的流行,这需要流行病学家仔细判断各个因素的确定性和不确定性,充分了解病原体的生物学特性和机制,收集更多影响流行的参数,整合到模型中进行反复地练习、预测

大数据的应用提高精确度

现代生物学和信息学的发展为流感的预测提供了新的手段,其中之一是大数据的应用,包括病原体遗传信息。全基因组测序、进化树、系统动力学等方法和技术可协助分析病原体侵入初期的时间,有助于R0的判断。大数据内容广泛,包括高分辨率地温度测量数据,可以预测局部病原体繁殖情况。手机流量、交通运输数据的使用可以反映一定时间和空间范围内人群的聚集和流动情况。这些生物学、社会学、地理学、生态学等的信息,借助高性能计算机的运算,可以使得大数据和数学模型有机结合,更精确地利用庞大的信息进行流感的预测。

专家观点

°

传染性疾病由于对公共卫生的危害和全球生物安全的要求,利用数学模型的疾病预测日益成为疾病防控的重要手段,尤其是流感的预测。

我认为,现代社会人群的流动性、疾病谱的变迁、免疫力的变化、老龄化的出现、环境污染、卫生政策、医疗体制、教育和文化的差别以及社会经济发展水平等均会对流感的传播产生影响。流感的预测既是技术问题也是公共卫生和社会问题。对既往流感大流行数据的收集和模型练习,利用互联网和物联网收集大数据,运用大数据和人工智能的深度运算,采用复杂的统计学方法,多维度对流感的流行进行预测,可能在流感初期对中长期的流行性有较为精确的预测,为流感的防控提供保障。

参考文献

CJE Metcalf,Lessler J. Opportunities and challenge in modeling emerging infectious disease. Science 2017;357:149-152

此文仅代表作者个人观点

END

  • 发表于:
  • 原文链接https://kuaibao.qq.com/s/20181019B0Y3RN00?refer=cp_1026
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券