当地时间3月11日，顶级学术期刊《科学》（Science）子刊《科学转化医学》（Science Translational Medicine）在线发表社论文章“新冠状病毒暴发：大流行预防的框架问题（New coronavirus outbreak: Framing questions for pandemic prevention）”。

作者们聚焦防控流行病中起着重要作用的预测问题，他们认为目前针对新冠肺炎（COVID-19）的一些预测数学模型都相对简单，不足以支撑专家们达成共识并指导疾病防控。“我们需要了解和量化控制SARS-CoV-2暴发的主要变量，而不是仅仅依赖确诊病例及其地理空间传播。”

然而，更全面的数学模型可能需要几个月甚至几年来开发和验证。现有的此前为流感大流行或SARS、MERS疫情开发的数学模型或可借鉴，这些模型考虑了病原体、社会和干预变量的变化，准确性进一步提高。

作者们呼吁，目前正在独立进行COVID-19数学建模研究的美国、中国和欧洲的团队应该在政府支持下协同合作，而努力的重点是确定预测模型中关键变量。这些变量的信息也应在科学界、红十字会、其他非政府组织和应急响应人员等之间自由共享。他们还建议建立一个数据库，根据病原体-宿主、基于社会和干预-影响模块来组织信息，这些资源将连接所有现有的数据库网络。

作者们强调了三个具体目标：第一、预测中国COVID-19的进一步传播；第二、预测其在不同条件下向其他地区传播和在当地进一步传播的可能性；第三、预测不同缓解策略（如检疫、接触隔离、手部卫生和使用口罩）的有效性。

这篇社论的作者包括：美国加利福尼亚大学洛杉矶分校公共卫生学院流行病学系名誉教授Scott P. Layne、美国杜兰大学科学与工程学院Evelyn and John G. Phillips杰出数学教授James M. Hyman、美国国立卫生研究院（NIH）下属国家过敏和传染病研究所（NIAID）主任办公室的主任高级顾问David M. Morens、NIAID传染病实验室病毒发病和进化机理部门主任Jeffery K. Taubenberger。其中，Taubenberger为通讯作者。

值得注意的是，用数学模型研究传染病的传播问题，这种方法在1927年首次使用，历经近百年发展已日益受到重要。尽管科学界无法保证开发的数学模型和现实的物理传播过程完全相符，但无比接近的精确模拟仍功不可没。

2004年，L.Hufangel等人即通过数学模型还原了SARS全球传播的过程，模拟结果和实际结果得到了很好的拟合。类似的这些研究至少在一定程度上说明了：传染病全球传播是可预测的。

截至2019年，世卫组织已宣布5起“国际关注的突发公共卫生事件”。2020年1月30日，世卫组织宣布了第6起，即COVID-19。当地时间3月11日，世界卫生组织（WHO）总干事谭德塞在日内瓦举行的例行记者会上则进一步表示，疫情的传播程度和严重性令人深感担忧，“因此我们评估认为，新冠肺炎疫情从特征上可称为大流行”。

作者们提出：在这一正在蔓延的流行病中，全球需要在专家共识的指导下采取行动，正如这篇社论所强调的那样，需要在数据驱动模型的进一步指导下采取行动。

SARS-CoV-2传染力、病死率估计数字令人担忧

截至2020年3月4日，新型冠状病毒SARS -CoV-2已席卷了至少83个国家，感染了超过94200人，其中3200多人死亡(https://systems.jhu.edu/research/publichealth/ncov/)。

作者们认为，要了解SARS-CoV-2带来的前所未有的挑战，仅仅依靠确诊病例及其地理空间传播是不够的。目前关于疾病严重程度分类的统计数据是有价值的，但也远远不够。此前的2月17日，中国疾病预防控制中心新型冠状病毒肺炎应急响应机制流行病学组在《中华流行病学杂志》上发表的一项超过7万人的研究显示，在44672例确诊病例中，80.9%属于轻/中症、13.8%属于严重、4.7%属于危重症。

作者们指出，我们必须了解和量化控制当前疫情的主要变量。

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。

利用现有的此前为流感大流行或SARS、MERS疫情开发的数学模型，是作者们提出的救急方法之一。这些模型包括由美国国立普通医学科学研究所(NIGMS)开发的传染病Agent模型研究（MIDAS）项目中的一些。这些微分方程模型考虑了病原体、社会和干预变量的变化。显然，它们预测COVID-19传播的准确性将取决于传播模型和基础数据的质量。

MIDAS致力于采用数学与计算机模型研究突发传染病应急管理。例如，其研发的FluTE模拟系统主要以季节性流感在美国境内的大流行为情景进行模拟，模拟结果可通过第三方工具进行可视化展示。FluTE的特点还在于其开源性，系统源代码可在MIDAS官网下载。MIDAS还研发了GEM系统，是一个针对流感全球流行的可视化模拟系统。

美国、中国和欧洲的数学建模小组需协作

基于目前的现状，作者们认为，科学界的努力方向就是需要确定上述关键变量的值和范围，以及确定任何其他重要的变量。

此外，有关这些变量的信息应在科学界、红十字会、其他非政府组织和应急响应人员等之间自由共享。他们建议建立一个数据库，根据病原体-宿主、基于社会和干预-影响模块来组织信息，这可能为共享这些不同的信息提供最有效的方法。这种资源将连接所有现有的数据库网络。此外，这样的“集中式交换”库可以引入自动工具来查找、组装和评估数据，以便进行后续的管理和链接。

值得一提，眼下美国、中国和欧洲的许多数学建模小组正在独立工作，以预测COVID-19感染的传播。作者们认为，这些团体之间的协同合作是必要的，政府机构应予以支持。

另外，此前的2020年2月12日，世界卫生组织（WHO）在瑞士日内瓦主办了一次新型冠状病毒全球研究与创新论坛，并制定了一份与目标相关的研究蓝图。

作者们在这篇社论文章中重点强调围绕世卫组织目标的三个具体目标：第一、预测中国COVID-19的进一步传播；第二、预测其在不同条件下向其他地区传播和在当地进一步传播的可能性；第三、预测不同缓解策略（如检疫、接触隔离、手部卫生和使用口罩）的有效性。

他们最后还讨论了治疗和预防的基本情况。在医疗方面，尽管多项临床试验在尝试寻找治疗COVID-19的方法，但目前还没有批准用于治疗冠状病毒感染的疫苗或抗病毒药物。包括住院和重症监护病房管理的支持性护理，是现在唯一的治疗选择。

但幸运的是，在公共卫生方面，一些传统的干预措施还能保护大量人群，包括旅行限制、隔离检疫、患者/接触者隔离等。

然而，作者们认为需要明确的是，确定应对COVID-19的最佳措施将需要了解驱动COVID-19暴发的主要因素，并监测这些因素如何随时间和地点发生变化。

论文原文链接：https://stm.sciencemag.org/content/12/534/eabb1469