2021-10-17 12:29

利用流感数据的新模型产生了对COVID-19传播的高度准确预测

COVID-19

COVID-19不是流感。这种由新型SARS-CoV-2病毒引起的疾病比我们一生中遇到的大多数流感流行更具有传染性,也更致命,科学家和医生仍在学习有关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,Ishanu Chattopadhyay博士认为,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。芝加哥大学医学教授Chattopadhyay和他的博士后学者黄伊博士利用他们之前建模流行病的经验和机器学习方面的专业知识来分析过去数年的流感流行。他们开发的新的风险度量——被称为通用流感样传播(单位)评分——已被证明在预测每周病例数方面比目前描述的最佳模型更好。这项研究发表在10月14日的《公共科学图书馆计算生物学》上。

该论文的资深作者Chattopadhyay说:“甚至在COVID-19之前,我们就在研究大流行的建模。”“大流行带来了多重挑战。一个是思考一种新毒株是如何出现的,以及病毒是如何形成的,另一个是预测病例数。了解这种疾病来自哪里非常重要,但一旦它成为一种流行病,为了制定公共卫生政策,能够预测它将如何在人群中和城市中传播也很重要。”

Chattopadhyay和Huang欣然接受了利用他们的技术在全国范围内帮助建立疫情模型的机会,当他们查看现有模型时,他们注意到一个明显的缺失。

“几乎所有你能想到的方法都已经被使用了,”Chattopadhyay说。“但有一件事情似乎是人们应该关注的,但没有关注,那就是:COVID-19和季节性流感趋势之间有相似之处吗?”这些是不同的疾病,但它们的传播方式有相似之处。我们采取的遏制COVID-19传播的措施也遏制了流感的传播。所以,问题是,我们真的可以利用流感在美国传播的模式来为COVID-19传播的模型提供信息吗?”

研究人员使用了全国范围内10年的流感住院病例数据,来检查流感患者每周的趋势,使他们能够确定感染聚集在哪里开始,以及它们每年如何在全国范围内传播。利用这些数据,他们能够得出单位分数。结合在COVID-19等疾病传播中已知的重要变量,如社区内的人口统计细节,该模型产生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,与用于预测病例数和死亡的许多其他模型相比,变量要少得多。然而,在整个大流行的时间线上,我们击败了其他那些更复杂的模型,”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。“这向我们表明,我们可以从已经知道的事情中学到一些有价值的东西,比如流感流行病,并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情。”

这些结果不仅对了解正在发生的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,以及我们在未来看到的任何类似的流行病,我们可能都可以应用这一工具。”“随着人口增长和环境变化导致更多的动物/人接触,许多专家认为,像这样的大流行事件可能会变得更常见。能够为流行病如何传播及其传播路径建模非常重要,特别是当我们正在实施疫苗和社会距离等干预措施时。能够从我们已有的数据中提取信息是非常有用的,它使我们为下一次大流行做好了更充分的准备。”

该研究小组开发的算法已在CDC COVID-19预测中心分享,其他科学家可以访问该算法,并用于CDC的COVID-19预测建模。研究人员希望,未来的研究可以结合全球数据趋势,确定COVID-19的趋势在世界各地是相似的,还是根据人口和气候存在差异。

这项名为“美国各县流感样传播的普遍风险表现型以改善各县COVID-19发病率预测”的研究得到了美国国防高级研究计划局国防科学办公室的部分支持。