谁的冠状病毒计谋最有效？科学家正寻找最有效的政策

本文来自《Nature》4月27日的报道。

香港地域似乎在如何有效停止COVID-19方面给了世界一个范例。它有750万人口，仅陈诉了4人死亡。研究香港方法的研究人员已经发现，迅速的监控、隔离和社会隔离措施（例如使用口罩和学校停课）有助于淘汰冠状病毒的流传，以每个熏染者的平均熏染人数来权衡，在2月初之前靠近的临界水平。可是，本月揭晓的论文未能说明种种措施和同时发生的行为变化的影响。

现在，研究全球规模内接纳的限制冠状病毒流传措施的有效性是科学家们最紧迫的问题之一。研究人员希望，他们最终能够准确地预测添加和删除某个控制措施如何影响流传率和熏染人数，这些信息对于政府设计恢复社会正常的计谋，同时保持较低的流传率以防止第二波熏染是必不行少的。

研究人员已经在研究模型，这些模型使用来自各个国家和地域的数据来相识控制措施的效果。基于实际数据的模型应比在发作开始时主要使用假设来预测干预措施效果的模型更为细微。联合来自世界各地的数据，研究人员可以比力各国的反映，而且与各个国家的研究相比，它还应该允许他们设计模型，以便对大盛行的新阶段以及在许多国家举行更准确的预测。

可是，搞清因果关系是极具挑战性的，部门原因是每个国家的情况各不相同，而且因为人们对接纳措施的人数不确定，罗莎琳德·埃戈（Rosalind Eggo）说：“这确实很难，但这并不意味着我们不应该实验。”

齐心协力

在未来几周内，一个数据库将为解决这些问题做出更大的努力，该数据库搜集了已在全球规模内引入的数百种差别干预措施的信息。该平台是由LSHTM小组为世界卫生组织（WHO）准备的，该平台收集了已经跟踪干预措施的10个小组收集的数据，这些小组包罗英国牛津大学，维也纳庞大性科学中心（CSH Vienna）的小组， 以及分析人道主义危机的公共卫生组织和非营利组织，如ACAPS。

LSHTM项目背后的数据科学家Chris Grundy说，该数据库将尺度化差别团队收集的信息，而且应该比单个小组可以生成的任何信息更全面。格伦迪说，像世界卫生组织这样的机构通常会跟踪疾病发作中使用的控制措施，但对于COVID-19，大盛行的速度和规模使情况变得庞大。LSHTM招募了1,100名志愿者，卖力清理和合并信息。Grundy说，该数据集将开放给任何人使用，并将在未来的版本中举行革新。他说，速度至关重要。

跟踪器袒露了在差别国家/地域部署的广泛政策。维也纳团队已捕捉了52个国家/地域中约170项干预措施的详细信息，规模从小措施（例如标出两米距离的地板标贴）到主要的限制性政策（如停课）。他们还遵循一些国家最近为恢复日常生活和与之相关的措施而做出的努力，包罗划定必须戴口罩。同时，牛津的COVID-19政府反映追踪器项目正在监控100多个国家/地域的13种干预措施。它将13个指标中的7个汇总为一个“严格度”指数，该指数反映了每个国家/地域应对措施的总体严重水平，并允许在接纳差别方法的国家/地域之间举行比力。团队正在修改如何盘算指标并添加怀抱。

集群国家

两组科学家已经在分析他们的数据，以探索每个国家在应对方式上的差异。维也纳团队正在寻找模式，他们的方法包罗凭据盛行病在多大水平上开始接纳干预措施以及引入的限制总数来对国家举行聚类。例如在欧洲，算法小组将瑞典、英国和荷兰列为行动相对较慢的国家。在盛行病的早期阶段，所有这三个国家都实施了“人群宽免”战略，其中涉及很少的措施或依赖自愿遵守的措施，只管厥后英国和荷兰转向更努力的应对措施，包罗在全国规模内实施封锁，CSH维也纳和维也纳兽医大学的盛行病学家AmélieDesvars-Larrive说。

她表现，与此同时，德国和奥地利在接纳努力和早期控制计谋的国家中脱颖而出，而意大利，法国和西班牙则接纳了类似的措施。迄今为止，德国和奥地利的人均死于这些其他国家的COVID-19的比例很小。

牛津研究小组的早期发现还讲明，相对于疫情发作的严重水平，较贫穷的国家倾向于接纳比富足的国家更严格的措施。例如，加勒比海国家海地在确认首例案件时就实施了封锁，而美国在首例死亡后等候了两个多星期才发出留在家里的下令。牛津大学公共政策研究人员安娜·帕瑟里克（Anna Petherick）表现，这可能是因为卫生保健系统不蓬勃的低收入国家接纳了更为审慎的行动。她说，这也可能反映出疫情是较晚到达这些国家的，这使它们有更长的时间向其他国家学习。

模式和预测

最终，研究人员希望使用LSHTM数据库中的数据，而不仅仅是检查响应的差异，并相识这些计谋在限制疾病发作方面的有效性。Eggo说：“我们确实需要实时评估这些干预措施，以便每小我私家都可以制定切实可行的政策。” Eggo并未到场数据库的建立，但计划使用它。“如果我们不知道什么有效，我们也不知道几多有效，那么决议下一步该做什么将很是难题。” Eggo及其同事将使用这些数据来测试数学模型的准确性，该数学模型使用方程式形貌在差别干预类型和时机下的流传速率及其背后的机制。

理想情况下，研究人员将能够预测随着时间的推移，添加和删除干预措施将如何改变熏染数量。维也纳CSH和维也纳医科大学的数学物理学家尼尔斯·豪格（Nils Haug）说，政策制定者可以使用这种预测以及有关重症监护能力的数据来做出决议（例如是否重开学校）。

Haug是一个由15人组成的建模团队的成员，该团队探索使用哪种统计方法。这些方法可以直接找到确定最佳预测熏染率的措施，而不必直接确定每种干预措施简直切效果。一种方法涉及使用称为递归神经网络的机械学习技术从数据中的模式中学习并举行预测。研究人员可以通过检察从网络中删除有关干预措施的信息来预测变化，以相识给定干预措施的重要性。

另一种技术涉及回归分析，它估算了所有国家/地域中特定怀抱（例如，学校关闭）和怀抱尺度（例如，R）之间的关系强度。例如，使用诸如套索之类的回归技术，研究人员可以确定哪些措施使R最淘汰。

Haug说，可是所有方法都有局限性。拉索方法假定给定的怀抱值始终会导致R随时间的淘汰，无论其应用到哪个国家/地域。这是跨多个国家学习课程的最大挑战之一。研究人员希望能够解释一些国家的怪象，例如某些国家的代际家庭患病率更高，这可能会加速流传。维也纳团队最终将实验将这些差别的特征直接纳入其模型。现在，他们会将它们全部捕捉为一个变量，从而改变每个国家/地域的R。

没有疫苗或没有有效的治疗方法，停止流传仍然是反抗COVID-19的唯一防御措施。Petherick说，相识每种控制措施的效果对于找出可以宁静更改或删除的措施至关重要。她说：“如果我们能够相识应该接纳的措施以及最有效的方法，以便能够阻止扩散，我认为那将是庞大的孝敬。”