利用流感数据的新模型可以非常准确地预测COVID-19的传播
COVID-19不是流感。由新型SARS-CoV-2病毒引起的疾病比我们一生中遇到的大多数流感疫情更具传染性,也更致命,科学家和医生仍在学习关于这种疾病及其长期影响的新知识。但COVID-19和流感确实有一些共同点——它们都是由主要感染上呼吸道系统的病毒引起的,都是通过飞沫、污染物和接触传播的。
因此,对于Ishanu Chattopadhyay博士来说,考虑这些相似性是否可以用来帮助预测COVID-19的传播是有意义的。Chattopadhyay是芝加哥大学的医学教授,他的博士后学者Yi Huang博士利用他们之前的流行病建模经验和机器学习方面的专业知识来分析过去几年的流感流行。他们开发的新的风险测量方法被称为通用流感样传播(单位)评分,已被证明比目前描述的最佳模型更好地预测每周病例数预测。该作品于10月14日出版PLoS计算生物学。
该论文的高级作者Chattopadhyay说:“即使在COVID-19之前,我们也在研究普遍的流行病建模。”“大流行带来了多重挑战。一个是思考新毒株是如何出现的,病毒是如何形成的,另一个是预测病例数。了解这种疾病的来源非常重要,但一旦它成为大流行,为了制定公共卫生政策,能够预测它将如何在人群和城市中传播是很重要的。”
Chattopadhyay和Huang抓住了这个机会,利用他们的技能来帮助建立全国范围内的大流行模型,当他们查看现有的模型时,他们注意到一个明显的缺失。
Chattopadhyay说:“几乎所有你能想到的方法都已经在使用了。“但有一件事似乎是人们应该关注但没有关注的,那就是:COVID-19和季节性流感趋势之间是否有相似之处?这些是不同的疾病,但它们的传播方式有相似之处。这方面的一个迹象是,我们为遏制COVID-19传播而采取的措施也遏制了流感的传播。所以,问题是,我们真的能利用流感在美国的传播模式来为COVID-19的传播模式提供信息吗?”
研究人员使用了10年的全国流感住院数据,以检查流感患者每周的趋势,使他们能够确定感染集群开始的地方,以及它们每年如何在全国范围内传播。使用这些数据,他们能够产生UnIT分数。结合已知对COVID-19等疾病传播很重要的其他变量,如社区内的人口统计细节,该模型得出的预测结果平均而言比CDC建模中心列出的任何其他模型都更准确。
“我们的模型相对简单,与许多用于预测病例数和死亡的其他模型相比,变量要少得多。然而,在整个大流行时间线上,我们平均击败了其他更复杂的模型,”第一作者黄说,他现在是布鲁克海文国家实验室的副研究科学家。“这告诉我们,我们可以从我们已经知道的东西中学到有价值的东西,比如流感流行并且可以将历史知识与统计学原理结合起来,提出一种新的、有意义的方法来预测真正未知的事物。”
这些结果不仅对了解目前的COVID-19大流行很重要,而且可以扩展到帮助预测未来的大流行。
Chattopadhyay说:“如果我们在这里看到这样的准确性,那么任何以这种方式传播的呼吸道疾病,任何我们在未来看到的类似的流行病,我们都可能应用同样的工具。”“随着人口的增长和环境变化导致更多的动物/人接触,许多专家认为这样的大流行事件可能会变得更加普遍。能够这样做很重要模型流行病是如何传播的,它们的传播路径是什么样的,特别是当我们实施疫苗和保持社交距离等干预措施时。能够从我们已经拥有的数据中提取信息是非常有用的——它让我们为下一个做好了更充分的准备流感大流行。"
研究小组开发的算法已在CDC上共享COVID-19预测中心在那里,其他科学家可以访问它,并被用作疾病预防控制中心对COVID-19预测模型的一部分。研究人员希望未来的研究能够纳入全球数据趋势,以确定COVID-19在世界各地的趋势是否相似,或者是否存在基于人口和气候的差异。
这项名为“美国县类流感传播的普遍风险表型,以改善县特定的COVID-19发病率预测”的研究,部分得到了国防高级研究计划局国防科学办公室的支持。
更多信息:美国县流感样传播的普遍风险表型,以改善特定县的COVID-19发病率预测,PLoS计算生物学(2021)。Journals.plos.org/ploscompbiol…journal.pcbi.1009363