香港似乎在如何有效遏制COVID-19方面給了世界一個教訓。它有750萬人口，僅報告了4人死亡。研究人員在研究香港的做法已經發現，迅速監測，檢疫和社會隔離措施，如使用口罩和關閉學校，有助於削減冠狀病毒傳播-通過每個感染者感染人的平均數，或測量[R -在2月初之前接近1的臨界水平。但是該論文於本月1日發表，無法說明各種措施和同時發生的行為變化的影響。
關於“我們現在要做什麼”？” 倫敦衛生與熱帶醫學學院（LSHTM）的數學建模者Rosalind Eggo說 :
目前，研究全球範圍內採取限制冠狀病毒傳播措施的有效性, 是科學家們最緊迫的問題之一。研究人員希望，他們最終能夠準確地預測添加和刪除某項控制措施, 如何影響傳播率和感染人數。這些信息對於政府設計復工的策略，同時保持較低的傳播率以防止第二波感染是必不可少的。“這與下一次流行病無關。
研究人員已經在研究模型，這些模型使用來自各個國家的數據來了解控制措施的效果。基於實際數據的模型應比在爆發開始時使用假設來預測干預措施效果的模型更為細微。結合來自世界各地的數據，研究人員可以比較各國的反應。並且與各個國家的研究相比，它還應該允許他們設計模型，以便對大流行的新階段以及在許多國家進行更準確的預測。
但是，搞清因果關係是極具挑戰性的，部分原因是每個國家的情況各不相同，並且因為人們對採取措施的人數不確定，因此埃戈警告說。“這確實很難，但這並不意味著我們不應該嘗試。”
齊心協力
在未來幾週內，一個數據庫將為解決這些問題做出更大的努力，該數據庫匯集了已在全球範圍內引入的數百種不同干預措施的信息。該平台是由LSHTM小組為世界衛生組織（WHO）準備的，該平台收集了已經跟踪干預措施的十個小組收集的數據，這些小組包括英國牛津大學，維也納複雜性科學中心（CSH Vienna）的小組，以及分析人道主義危機的公共衛生組織和非營利組織，如ACAPS。
來源：牛津冠狀病毒政府反應追踪器（數據）；自然（圖表）。
LSHTM項目背後的數據科學家Chris Grundy說，該數據庫將標準化不同團隊收集的信息，並且比單個小組可以生成的任何信息更全面。格倫迪說，像世界衛生組織這樣的機構通常會跟踪疾病爆發中使用的控制措施，但對於COVID-19，大流行的速度和規模使情況變得複雜。LSHTM招募了令人印象深刻的1,100名志願者，負責清理和合併信息。Grundy說，該數據集將開放給任何人使用，並不斷進行改進。他說，速度至關重要。“日子馬上改變了。”
跟踪器暴露了在不同國家/地區部署的廣泛政策。維也納團隊已捕獲了52個國家/地區中約170項干預措施的詳細信息，範圍從小措施（例如標出兩米間隔的地板標貼）到主要的限制性政策（如停課）。他們還遵循一些國家最近為恢復日常生活和與之相關的措施而做出的努力，包括規定必須戴口罩。同時，牛津的項目COVID-19政府響應跟踪器正在監視100多個國家中的13項干預措施。它將13個中的7個匯總為一個“嚴格”指數，該指數反映了每個國家應對措施的總體嚴重程度，並允許在採用不同方法的國家之間進行比較（請參閱“氾濫保護”）。
集群國家
兩組科學家都已經在分析他們的數據，以探索每個國家應對措施的差異。維也納團隊正在尋找模式，他們的方法包括根據流行病在多大程度上開始採取乾預措施以及引入的限制總數來對國家進行聚類。例如在歐洲，算法小組將瑞典，英國和荷蘭列為行動相對較慢的國家。在流行病的早期階段，所有這三個國家都實施了“畜群豁免”戰略，其中涉及很少的措施或依賴自願遵守的措施，儘管後來英國和荷蘭轉向更積極的應對措施，包括在全國范圍內實施封鎖， CSH維也納和維也納獸醫大學的流行病學家AmélieDesvars-Larrive說。
她說，與此同時，德國和奧地利在採取積極和早期控制策略的國家中脫穎而出，而意大利，法國和西班牙則採取了類似的措施，包括封鎖，但後來流行。迄今為止，德國和奧地利的人均死於這些其他國家的COVID-19的比例很小。
牛津研究小組的早期發現還表明，相對於疫情爆發的嚴重程度，較貧窮的國家傾向於採取比富裕的國家更嚴格的措施。例如，加勒比海國家海地在確認首例案件時就實施了封鎖，而美國在首例死亡後等待了兩個多星期才發出留在家裡的命令。牛津大學公共政策研究人員安娜·帕瑟里克（Anna Petherick）表示，這可能是因為衛生保健系統不發達的低收入國家採取了更為謹慎的行動。她說，這也可能反映出疫情是較晚到達這些國家的，這使它們有更長的時間向其他國家學習。
模式和預測
最終，研究人員希望使用LSHTM數據庫中的數據，而不僅僅是檢查響應的差異-並了解這些策略在限制疾病爆發方面的有效性。Eggo說：“我們確實需要實時評估這些干預措施，以便每個人都可以製定實際的策略。” Eggo並未參與數據庫的創建，但計劃使用它。“如果我們不知道什麼有用，我們也不知道有多少有用，那麼決定下一步該做什麼將非常困難。” Eggo及其同事將使用這些數據來測試數學模型的準確性，該數學模型使用方程式描述在不同干預類型和時機下的傳播速率及其背後的機制。
理想情況下，研究人員將能夠預測隨著時間的推移，添加和刪除乾預措施將如何改變感染數量。維也納CSH和維也納醫科大學的數學物理學家尼爾斯·豪格（Nils Haug）說，政策制定者可以使用這種預測以及有關重症監護能力的數據來做出決策（例如是否重開學校）。
Haug是一個由15人組成的建模團隊的成員，該團隊探索使用哪種統計方法。這些方法可以直接找到確定最佳預測感染率的措施，而不必直接確定每種干預措施的確切效果。一種方法涉及使用稱為遞歸神經網絡的機器學習技術從數據中的模式中學習並進行預測。研究人員可以通過查看從網絡中刪除有關干預措施的信息時預測的變化來了解給定乾預措施的重要性。
另一種技術涉及回歸分析，該分析可估計所有國家/地區之間特定度量（例如，學校關閉）和度量標準（例如R）之間的關係強度。例如，使用諸如套索之類的回歸技術，研究人員可以確定哪些措施使R最減少。
Haug說，但是所有方法都有局限性。拉索方法假定給定的度量值始終會導致R隨時間的減少，無論其應用到哪個國家/地區。這是跨多個國家學習課程的最大挑戰之一。研究人員希望能夠解釋一些國家的怪癖，例如某些國家的代際家庭患病率更高，這可能會加速傳播。維也納團隊最終將嘗試將這些不同的特徵直接納入其模型。目前，他們會將它們全部捕獲為一個變量，從而改變每個國家/地區的R。
沒有疫苗或沒有有效的治療方法，停止傳播仍然是對抗COVID-19的唯一防禦措施。Petherick說，了解每種控制措施的效果對於找出可以安全更改或刪除的措施至關重要。她說：“如果我們能夠了解應該採取的措施以及最有效的方法，以便能夠阻止擴散，並儘其所能回復以前的生活，我認為那將是巨大的貢獻。”
https://www.nature.com/articles/d41586-020-01248-1
沒有留言:
張貼留言