全球如何应对新冠大流行？科学子刊社论：数据驱动模型指导(2)

这篇社论中提到传染病暴发一个重要特征基本传染数，即R0。如果这个数字大于1（R0>1），则统计学上来说该病例就有能力将感染传播给继发性病例。如果该数值等于1或小于1（R0≤1），则意味着继发传播能够很快结束。

根据目前中国的初步估计，SARS-CoV-2的R0值在2.5到2.9之间，与之相关的全年龄段病死率估计为2.3%。相比之下，1918-1919年西班牙流感大流行在全世界造成了约5000万人死亡，对那次流感的估计R0值是1.8左右，病死率为1%-2%。

因此，关于SARS-CoV-2的上述这些估计数字令人担忧。但作者们提到，仅凭这些数据，专家还不足以对持续存在的COVID-19威胁进行评估。

2002-2003年的严重急性呼吸综合征（SARS）、2012-2015年的中东呼吸系统综合症（MERS）这两次传染病的暴发，后续对它们估计的R0<2。而就病毒传播特点来说，最近的研究报告表明，COVID-19患者在症状较轻甚至未发病之前（无症状时期）就能排毒和传播感染。这种特征在人类流感病毒和许多其他呼吸道病毒中都可以观察到，但在SARS和MERS冠状病毒中不存在。

类比来考虑，当前COVID-19的传播模式引发关注，因为类似的或更大的R0值意味着类似或更短的病例倍增时间。

更全面的数学模型

然而，许多相关的问题仍然没有答案。作者们提出，哪些病原相关变量可以解释这些扩增传播？哪些基于社会的变量与SARS和MERS事件不同，或者自那以来发生了什么变化？哪些人口区域将维持R0>1，以及这种传播程度的决定因素是什么？

要解决这些问题，需要进一步深入研究变量要素。

第一，是与病原体-宿主相互作用相关的变量。包括：病毒排出时间（时间）、病毒排出滴度（感染释放数量）、病毒稳定性持续时间（环境）、病毒排出异质性(如“超级传播者”)。此外，也要考虑病毒的人类适应性，也就是病毒基因组的变化。他们认为，可以想象，随着时间的推移改，这些变量的平均值会改变。

第二，基于社会的有关变量则包括：人口密度（密度）、日常通勤（居家和工作结构）、密切的接触互动（更多的外出机会）、新的行为模式（城市化和更大的流动性），以及其他许多变量。

第三，需要考虑的干预措施包括隔离检疫、患者和接触者的隔离、手部卫生、口罩、个人防护的公共教育、治疗（抗病毒药物和抗体）和未来疫苗的影响。

研究团队提到，目前，一些研究团队采用流行病学暴发的基本数学模型来估计R0，但这些模型不能确定基于病原的变量。这些估计还需要结合临床观察和“皮鞋（shoe-leather）”流行病学（也就是所谓的现场流行病学）。

而基于社会的变量可以从现有的人口统计、交通和电信数据中提取。然而，由于隐私和安全问题，大多数国家的收集机构可能不愿意共享这些数据，即使是在灾难或突发公共卫生事件期间。

目前已发表的论文和在线资源中，可以看到有研究团队已经提出一些能够在几周内对COVID-19病例进行实时预测的数学模型。然而，作者们指出，包括复杂的病原体和基于社会变量的更全面的数学模型，可能需要大量的时间和精力来开发和验证，通常需要几个月甚至几年。