2020年10月15日訊/生物谷BIOON/---預測COVID-19的流行病學是指導全球疫情應對的一項重點工作。究竟是哪些因素推動了COVID-19在城市的傳播，這仍然是一個不清楚的，初步分析出氣候在決定疫情增長方面的作用是有限的。
傳染病傳播的空間異質性可能受到當地人口或人員流動差異的影響，因此，由於易感個體的較高接觸率，較高的人口密度可能促進病原體的傳播。對於呼吸道病原體來說，流行病中的病例時間聚類（即觀察到大多數病的最短時間）, 會隨著室內擁擠程度的增加、社會經濟因素和氣候因素發生變化。
對流感觀察，當發病率在時間上均勻分布時，病例的時間集中度最小；當發病率在特定天數內變得更為集中時，病例的時間集中度會增加。在任何給定的地點，較高的病例時間集中度可能要求公共衛生系統有更大的快速應對能力，特別是對於新出現的呼吸道病原體，比如SARS-CoV-2。
中國和義大利詳細提供了廣泛地理背景下的COVID-19流行病學時間序列（time series）數據。因此，這兩個國家的疫情提供了一個機會來評估當地因素在影響流行病行為方面的作用。
基於此，在一項新的研究中，來自英國牛津大學、美國東北大學、哈佛大學和波士頓兒童醫院等研究機構的研究人員使用來自中國各個地級市和義大利各省的日常流行病學數據、氣候和人口數據以及利用百度和COVID-19聚合流動研究數據集（COVID-19 Aggregated Mobility Research Dataset）（https://www.google.com/covid19/mobility/）的人類流動數據衡量的對當地幹預措施的反應來確定傳播的驅動因素，重點關注病例的時間聚類在中國各個地級市和義大利各省之間如何不同。
相關研究結果於2020年10月5日在線發表在Nature Medicine期刊上，論文標題為「Crowding and the shape of COVID-19 epidemics」。
這些作者使用了中國各個地級市（n = 293）和義大利各個省（n = 108）匯總的COVID-19確診病例的每日發病率數據（圖1a）。中國的地級市和義大利的省是通常有一個城市中心的行政單位（圖1b）。他們匯總了從政府官方報告中收集到的個人層面的日常數據。
中國每個地級市的流行病學數據被截斷，以排除第一次流行期間報告病例的第一天之前和最後一天之後的日期。2020年3月1日以後報告的從國外輸入到中國的病例被排除在分析範圍之外。由於湖北省缺乏地級市流行病學數據，且在2020年1月20日之前的病例報告存在一致性問題，故剔除了湖北省的所有流行病學數據。中國各地級市的疫情曲線形狀不一，有的地級市報告病例快速上升和下降，有的地級市疫情持續時間較長（圖1a）。
圖1.中國地級市的人口密集分布圖，圖片來自Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0。
為了描述中國各個地級市和義大利各省病例的時間聚類特徵，這些作者計算了新發病例分布的香農多樣性指數（Shannon diversity index）。當所有病例發生在同一天時，香農多樣性指數最大；當疫情期間每天的新發病例數相同時，香農多樣性指數最小。中國每個地級市報告的COVID-19病例的總發病率與中國的香農多樣性指數呈強烈的負相關（圖1c）。
因此，峰值較低的疫情具有較大的總發病率（皮爾遜相關係數r = -0.67，95%置信區間（CI），-0.73～-0.59，P＜0.01；對於義大利，R2 = 0.33，P＜0.01）。他們推測，病例的總發病率和時間聚類在不同城市之間的差異是人口空間結構的結果。
為了檢驗這一假設，這些作者使用了勞埃德平均擁擠度指數（Lloyd’s index of mean crowding），將每個空間網格單元的人口數視為一個獨立的單元來處理（圖1）。這裡使用的術語「平均擁擠度」是一個特定的地理指標，它既概括了人口密度，也概括了人口密度在一個地級市內的分布情況（圖1）。勞埃德平均擁擠度指數的數值越高，說明人口結構在空間上是聚集的。他們還進行了對數線性回歸建模，以確定病例的時間聚類與社會經濟變量和環境變量之間的關聯性，包括疫情爆發期間的人口流動減少。
這些作者發現病例的時間聚類與平均接觸人數顯著負相關（P <0.01），但與平均人口密度正相關（P <0.01），並且在中國和義大利之間差異很大（圖2）。這一觀察結果與預測易感個體的可獲得性增加使得在擁擠的地區出現較高的疫情峰值的經典流行病學模型形成鮮明對比。最能解釋這種關係的空間尺度是10×10公裡，不過這一結果在1和50平方公裡之間的所有空間尺度都有統計學意義（P <0.01）。
圖2. 擁擠和中國COVID-19傳播的時間聚類，圖片來自Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0。
利用每周的人口流動性數據，這些作者發現疫情期間城市內的人口流動性與病例的時間聚類相關---即流動性減少較大的地級市也有較低的疫情峰值（P＜0.01）。當將流動性減少與擁擠度和溼度結合在一種模型中時，他們發現這些變量各自仍然是病例時間聚類的顯著預測因素（P <0.01）。這些結果表明，雖然減少流動性的措施可以成功地讓疫情曲線趨於平坦，但人口擁擠是造成這兩個國家流行病曲線形狀形成的一個獨立因素。
針對為何更擁擠的城市經歷較少的曲線上有峰值的疫情，這些作者推測擁擠使得這種疾病在家庭成員之間和城市人口之間持續傳播，從而導致發病率在整個疫情期間廣泛分布。
為此，他們模擬了兩類人群的隨機流行病動力學。在簡單的、混合良好的傳播模型中，擁擠地區的接觸率很高，這與他們的研究結果並不一致，這是因為該模型預測擁擠地區會有更多時間上的聚集性疫情爆發。
為了反映現實的接觸模式，他們創建了分層結構的人群，在這些人群中，個體在他們的社會單元（含義廣泛，比如表家庭、養老院、醫院和監獄等）內具有高接觸率；與來自其他社會單元但在同一社區內的個人接觸率較低；與同一地級市內其他社區的人接觸相當稀少（圖3a）。
圖3. 在擁擠的人口中產生曲線上的峰較少的疫情，來自Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0。
這些假設與實施封鎖後的大多數傳播發生在家庭或其他密切接觸的情況下的報告相一致。在這種情形下，人口不那麼密集的地級市往往有曲線上存在更多峰的持續時間更短的被隔離在特定社區的疫情，而人口比較密集的地級市可以維持更長時間的，最終規模更大的，並在聯繫更緊密的社區之間蔓延的疫情（圖3b，c）。此外，如果COVID-19的再生數過度分散，那麼由於接觸者的存在，擁擠可能使得當地疫情得以更廣泛地傳播。
這些作者還模擬了廣泛的社會隔離措施下的疫情爆發動態，如在中國各個地級市觀察到的（接觸率下降75%）。如果社會隔離使得所有地點的非家庭接觸減少了相同的相對數量，那麼在擁擠的地區將有更多的接觸，這是因為基線接觸率較高。因此，在幹預後，擁擠地區爆發的疫情在規模上可能會更大，需要更長的時間才能結束（圖3d和圖1c）。
利用來自中國的擬合模型，再結合全球綜合協變量（globally comprehensive covariate），這些作者將他們的研究結果外推到全球的310個城市（圖4），百度沒有提供中國以外城市的人類流動數據。因此，他們使用谷歌公司的COVID流動研究數據集中的聚合人類流動數據來捕捉人類流動在不同時期的相對差異。
在全球範圍內，以黃色表示的城市被預測為疫情較為集中且達到高峰，而以藍色表示的城市被預測為疫情持續時間較長（圖4b）。一般來說，沿海城市的疫情峰值較低，規模較大，持續時間較長，這可能是由於沿海城市人口高度擁擠造成的。
圖4. 預測了全球的疫情峰值，來自Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0。
他們的模型預測，在相對不擁擠的城市，COVID-19病例的峰值會相對短暫、強烈，這是因為這些城市的居民都住在自己的社區，而不是自由地混雜在一起。然而，相比於農村，在擁擠的城市的人們更有可能不得不應對持續時間較長的疫情。比如，他們預測那些人口分布相對均勻的城市，如蒙古的烏蘭巴託，可能會出現短期的病例激增。
但是，在人口密度更高的城市中心，比如西班牙的馬德裡，可能會出現更持久的疫情。這些預測依賴於中國和義大利城市的第一次流行病曲線的擬合關係，因此，在推廣到其他環境時應非常謹慎地加以解釋。（生物谷 Bioon.com）
參考資料：