传染病建模、监测与公共卫生情报

破除误解#

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。

把模型当成天气预报，会在两条相反的路上同时失望：数字没对准就被宣布模型无用，数字碰巧接近就被当成已经看见未来。 条件推演比较诚实的一种写法是：若接触率、免疫、检测与行为保持某组假设，轨迹会落在哪一类区间。 监测曲线则是另一台过滤器，同一传播过程在改病例定义或开放检测之后，可以让报告数跳变而有效再生数并未同幅跳动。 因此读疫情图，先问这是感染、检测阳性、住院还是死亡，再问延迟与漏报，而不是一上来就问模型准不准。

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。

在最简单的均匀混合仓室模型里，基本再生数是一名感染者在近似完全易感人群中平均造成的二代感染数，有效再生数则随免疫、行为、季节与干预而变。 它不是印在病原体基因组上的常数，人口密度、家庭结构、接触网络和估计方法都会移动它，不同研究给出不同数值不一定互相矛盾。 有效再生数大于一时感染规模倾向扩张，小于一时倾向收缩，可是今天看到的估计往往反映一两周前的传播，因为报告延迟会把拐点右移。 本文不给出任何特定病原体的基本再生数点值，因为可核范围往往很宽，单独一个数字最容易被从假设里抽走，当成可以跨人群通用的传染力。

近实时估计更关心瞬时再生数，也就是此刻的传播强度，而不是某个病例在其传染期内总共造成了多少二代。 科里等人二零一三年的方法使用当前时点之前的发病序列与世代间隔，更适合监测；需要未来信息的病例再生数则更偏回顾，用来问当时的感染者后来贡献了什么。 戈斯蒂奇等人二零二零年提醒：世代间隔设错、未把报告日还原成感染日、以及未处理右截断，都会让再生数看起来过早跨越一，或给出过窄的区间。 把某国某周的有效再生数直接叫成病毒的传染力，是把宿主行为、接触机会和检测系统全部删掉了。

代数上的群体免疫阈值写作一减基本再生数的倒数，只在均匀混合、免疫完全且持久、没有行为反馈时成立。 它说明为什么高再生数疾病在模型里需要更高免疫覆盖才能把有效再生数压到一以下，这是结构推论，不是某次疫情的实测接种目标。 接触异质时，高接触者往往先被感染并退出流通，最终感染规模可以低于均匀混合预测，阈值也会移动。 若把这条公式直接印成规划合同而不写假设，就是把教材练习题当成可以对外签署的覆盖率承诺。

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。

克马克与麦肯德里克在一九二七年已经给出阈值思想：易感者比例必须高到让二代病例超过一代，流行才能在确定性描述里起飞。 当代教科书中的常微分仓室模型把传染期写成指数分布，用易感者与感染者的乘积项表示均匀混合，用恒定速率表示离开感染状态。 在闭群、无人口学过程、疫情相对人口变化很快的设定下，最终感染规模受到一条超越方程约束，即使基本再生数大于一，也不是所有人都会被感染。 这条最终规模关系对许多传染期分布仍然近似成立，但在核心边缘接触结构里会失效，均匀混合因此是识别假设，不是可以随手丢掉的细节。

对建模者来说，能不能把关键参数从现有监测数据里真正分开，比把拟合曲线画得光滑更加重要。 传播率与传染期的比给出基本再生数，但报告病例只看见被检测的感染者，看不见易感者是否真按均匀混合被消耗。 加入潜伏期、无症状、疫苗状态或年龄结构，可以让拟合更贴数据，同时让无法从单一曲线识别的参数变多。 复杂度只有在改变决策时才值得增加：床位预警可能只需要短期有效再生数与住院率，免疫策略才需要血清学去钉住累计感染。

随机涨落在流行早期尤其关键，因为确定性方程在感染者很少时仍然给出一条光滑的指数增长。 真实输入病例可能在造成零个或许多个二代之间跳动，尤其当传播过度离散、少数场合贡献大部分续发。 若监测把尚未出现指数增长直接读成基本再生数已经小于一，那很可能只是还没有碰到高传播场合。 最小模型真正的价值是先把传播、耗竭与恢复三件事讲清楚，再决定要不要加网络、空间或行为反馈。

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。

美国疾控中心二零零一年评估公共卫生监测系统的指南，把简单性、灵活性、数据质量、可接受性、灵敏度、阳性预测值、代表性、及时性与稳定性写成互相牵制的属性。 把检测阈值降低以提高灵敏度，阳性预测值通常下降，误报调查会挤占现场人力，属性之间会互相拆台。 及时性要从发病或暴露算到行动，而不是算到仪表盘刷新；一个当天出数但不触发响应的系统，及时性分数是空的。 代表性问的是农村、非正规就业和无证件移民是否在采样框之外，缺他们的系统会把流行中心画错地方。

对现场监测警报而言，阳性预测值这一评价指标在疾病流行水平很低的时期尤其容易迅速崩掉。 同样的假阳性率在真事件非常稀少时，警报里大部分都会是噪声；到了高峰，同样阈值又可能显得很准。 若用高峰期的表现给系统庆功，再把同一阈值原封不动用于散发期，那是评价错误，而不是算法进步。 行动性要求预先写明何种信号对应扩大检测、调整病床还是发布风险沟通，否则监测只是把不确定性数字化。

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：

1. 明确决策：床位调度、检测布局还是疫苗分配？
2. 画出数据生成过程，识别漏报与延迟。
3. 用简单模型建立基线，再按需要增加结构。
4. 同时估计传播、严重度和卫生系统容量。
5. 对关键参数做敏感性分析。
6. 比较多模型或集成结果。
7. 把情景条件写进图表标题和结论。
8. 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#

1. World Health Organization. Public Health Intelligence Competency Framework. 2025.
2. World Health Organization. Surveillance Data Standards for Pandemic and Epidemic Intelligence.
3. Keeling, M. J. & Rohani, P. Modeling Infectious Diseases in Humans and Animals. Princeton University Press, 2008.
4. Vynnycky, E. & White, R. An Introduction to Infectious Disease Modelling. Oxford University Press, 2010.
5. Metcalf, C. J. E. et al. “Mathematical Models to Guide Pandemic Response.” Science, 2020.
6. Kermack, W. O. & McKendrick, A. G. “A contribution to the mathematical theory of epidemics.” Proceedings of the Royal Society A, 115, 1927.
7. Cori, A. et al. “A new framework and software to estimate time-varying reproduction numbers during epidemics.” American Journal of Epidemiology, 178(9), 2013. doi:10.1093/aje/kwt133
8. Gostic, K. M. et al. “Practical considerations for measuring the effective reproductive number, Rt.” PLOS Computational Biology, 16(12), 2020. doi:10.1371/journal.pcbi.1008409
9. Centers for Disease Control and Prevention. Updated Guidelines for Evaluating Public Health Surveillance Systems. MMWR Recommendations and Reports, 50(RR-13), 2001.

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。