破除误解
疫情模型不是预言机器。
它是一种条件推演：在传播率、接触结构、免疫水平和干预方式满足某些假设时，可能发生什么。模型最有价值的输出往往不是一个精确病例数，而是哪些机制主导趋势、哪些参数最值得监测、哪些决策在多种情景下都较稳健。
同样，监测到的病例曲线也不等于真实感染曲线。检测意愿、病例定义、实验室能力、报告延迟和就医行为都在塑造数字。
从感染到被看见
一次感染要进入官方数据，通常需要经过：
感染 → 出现症状 → 寻求服务 → 被检测 → 满足病例定义 → 被上报 → 汇总发布。
每一环都可能流失。
无症状感染不会自动出现；节假日和周末会产生报告波动；检测政策改变可让病例数骤增，而传播本身没有同幅变化。
因此研究者会结合多种信号：
- 病例与住院监测；
- 死亡和超额死亡；
- 哨点监测与血清调查；
- 病原体基因组监测；
- 污水监测；
- 药店、学校缺勤等综合征信号；
- 媒体、热线和社区事件报告。
多源数据不是越多越好。标准、互操作性、隐私和地方解释能力决定其价值。
R0 与 Rt
基本再生数 R0 是在一个近似完全易感人群中，一名感染者平均造成的继发感染数。有效再生数 Rt 则随时间变化，受到免疫、行为、季节与干预影响。
Rt > 1：感染规模倾向扩张。Rt < 1：感染规模倾向收缩。
但 R 不是病原体固定常数。人口密度、接触网络、家庭结构和估计方法都会改变它。不同研究给出不同 R 值，不一定互相矛盾。
R 还是滞后估计。若病例报告延迟，今天看到的 Rt 可能反映一两周前的传播。
SIR 的最小模型
经典 SIR 模型把人群分为易感者 S、感染者 I 和移出者 R：
dS/dt = -βSI/N
dI/dt = βSI/N - γI
dR/dt = γI
其中 β 代表有效接触传播率，γ 代表离开感染状态的速率。
这个模型揭示了传播、易感耗竭和恢复之间的基本关系，却忽略年龄、空间、潜伏期、无症状感染、重复感染和接触异质性。
扩展模型可以加入暴露期、年龄结构、通勤网络、疫苗状态和随机过程。复杂度只有在改善决策时才有意义；无法识别的参数越多，拟合越漂亮也可能越不可靠。
预测、情景与反事实
三种输出经常被混淆：
- 短期预测：在近期数据延续下估计未来数周。
- 情景投影：若接触率、疫苗覆盖等按设定变化，结果如何。
- 反事实估计：若没有某项干预，可能发生什么。
情景不是预测。写着“若不采取措施，住院可能达到 X”的曲线，不能在采取措施后被指责为预测失败。它的用途恰恰可能是促使路径改变。
反事实也不能直接观察，需要设计对照、利用地区时序差异或建立模型。把干预后下降全部归功于干预，会忽略自然病程、行为自发变化和季节性。
过度离散与超级传播
平均传播数会掩盖分布。
许多感染者不造成继发病例，少数场景却造成大量传播。接触网络、通风、活动时长和感染阶段共同形成超级传播。
这意味着针对高风险场景改善通风、减少拥挤和快速处置聚集性事件，可能比平均限制所有活动更有效。它也提醒研究者：只用均匀混合模型可能误判峰值与干预效果。
监测系统如何评价
一个监测系统至少要看：
- 灵敏度：能否发现真实事件？
- 阳性预测值：警报中有多少是真事件？
- 及时性：从发生到行动需要多久？
- 代表性：是否遗漏特定地区或人群？
- 稳定性：在高峰和危机中能否继续运行？
- 可接受性：医务人员和社区是否愿意报告？
- 行动性：数据能否触发明确响应？
极高灵敏度会带来更多误报。决策者需要根据疾病严重度、干预成本和漏报后果设置阈值。
公开沟通不确定性
只给一条曲线，会制造虚假精确。
可靠报告应说明：
- 数据截至何时，近期数据是否不完整；
- 参数来自哪里，哪些参数无法从现有数据识别；
- 展示区间是统计置信区间、预测区间还是情景范围；
- 哪些行为或政策变化会使结果失效；
- 模型是否经过历史回测与外部验证。
模型更新不是“专家反复无常”。新数据改变估计是科学的正常工作。但若假设、版本和误差不透明，信任就会受损。
数字监测的治理风险
手机定位、搜索数据和平台信息可以提高时效，却可能侵犯隐私、排除数字弱势群体或把商业平台偏差带入公共决策。
紧急状态不应成为无限期监控的许可证。系统应有明确目的、数据最小化、访问控制、保留期限、独立监督和退出机制。
疾病标签还可能污名化地区、职业或族群。发布细粒度地图前要评估再识别和歧视风险。
一次完整分析
面对新发疫情，可以按以下顺序工作：
- 明确决策：床位调度、检测布局还是疫苗分配？
- 画出数据生成过程，识别漏报与延迟。
- 用简单模型建立基线，再按需要增加结构。
- 同时估计传播、严重度和卫生系统容量。
- 对关键参数做敏感性分析。
- 比较多模型或集成结果。
- 把情景条件写进图表标题和结论。
- 事后回测并公开修正。
边界
模型不能决定社会愿意承受何种成本，也不能替代伦理和政治判断。同样的住院风险，在学校关闭、收入中断、照护负担和自由限制之间需要公开权衡。
本文用于公共卫生教育，不用于个人诊断或实时疫情决策。
跨域连接
- 微分方程：SIR 是一组常微分方程，它的核心假设就写在 βSI/N 这一项里——任意两个人相遇的概率相同，即均匀混合。这不是可以忽略的简化，而是识别假设本身。它有可证伪的后果：均匀混合下最终感染规模由 R0 唯一决定；一旦接触是异质的（少数人接触极多），高接触者会先被感染并先退出流通，使实际最终规模低于均匀混合的预测。
- 随机过程：把每人造成的继发感染数写成负二项分布，离散参数 k 越小，异质性越大。Lloyd-Smith 等人 2005 年为 SARS 估计 k 约为 0.16，意味着绝大多数感染者几乎不传人，少数场合却造成大量传播。这直接改变干预的性价比：在强过度离散下，切断聚集性场景的效率远高于把所有人的接触均匀压低；它同时意味着早期灭绝概率很高——多数输入不会成链，而一旦成链增长极快。
- 贝叶斯推断：从报告曲线反推感染曲线，需要同时知道报告比例与报告延迟分布，而这两者与传播率在似然函数中是纠缠在一起的——单靠病例数无法把它们分开。唯一的出路是引入外部信息把参数钉住：血清学调查约束累计感染比例，超额死亡约束严重结局，污水浓度提供不依赖就医行为的独立信号。先验在这里不是装饰，它承担了识别的重任。
- 隐私工程：手机位置、支付记录、搜索词与污水基因组都能提高监测灵敏度，代价是把人群置于持续观测之下。目的限制、数据最小化和到期删除不是合规装饰，而是维持数据质量的条件：一旦疫情期建立的数据管道被转用于执法或身份核查，被观测群体的配合意愿就会下降，而下降最多的往往正是最需要被监测到的那部分人。
- 新冠大流行：这场疫情把上面每一环都演示了一遍——检测政策改变造成病例数跳变而传播并未同幅变化；报告延迟使"今天的 Rt"实际反映一两周前；情景投影被当作预测来事后批评。其中最有用的一条经验是：超额死亡因为既不依赖检测能力也不依赖病例定义，成了跨国比较中最稳健的单一指标。
参考文献
- World Health Organization. Public Health Intelligence Competency Framework. 2025.
- World Health Organization. Surveillance Data Standards for Pandemic and Epidemic Intelligence.
- Keeling, M. J. & Rohani, P. Modeling Infectious Diseases in Humans and Animals. Princeton University Press, 2008.
- Vynnycky, E. & White, R. An Introduction to Infectious Disease Modelling. Oxford University Press, 2010.
- Metcalf, C. J. E. et al. “Mathematical Models to Guide Pandemic Response.” Science, 2020.
延伸阅读
- epidemiology：从研究设计理解关联、偏倚与因果推断。
- vaccine-policy-programs-hesitancy：如何把监测转为接种项目行动。
- implementation-science-health-policy：有效工具为什么会在真实系统中失效。