《PNAS》:揭秘COVID-19感染曲線異常走向原因

2020/08/25
《PNAS》:揭秘COVID-19感染曲線異常走向原因
近(24)日,維也納複雜性科學中心(Complexity Science Hub Vienna,CSH)的科學家針對COVID-19感染曲線線性增長提出了相關的解釋。這篇論文也已經發表到《PNAS》。

2020.08.25 環球生技雜誌 / 記者 王棋祺 編譯

近(24)日,維也納複雜性科學中心(Complexity Science Hub Vienna,CSH)的科學家針對COVID-19感染曲線線性增長提出了相關的解釋。這篇論文也已經發表到《PNAS》。

 

隨著COVID-19的流行病學進入疾病的第一個高峰後,許多國家透過非藥物治療的介入措施,例如社交距離(social distancing)和拉平曲線(flatten the curve)都可用以解釋高峰期後感染數量減少的原因。然而這些還不足以解釋感染曲線的線性上升、與流行病學模型所預期的S形曲線相反的狀況,以及許多國家在疾病的第一個高峰出現之後顯示出這種曲線的原因。

 

維也納醫學大學CSH主席兼複雜系統科學教授Stefan Thurner表示,在疾病大流行開始時,COVID-19感染曲線呈現指數倍增長,所謂的滾雪球效應可以很好地解釋這一點。受感染的人會感染其他人,並且在連鎖反應中,這些人也會將病毒傳播給其他幾個人。

 

Stefan Thurner指出,政府試圖透過保持社交距離等措施,將增長率降低到低於恢復率,從而大幅度減少新感染的數量。按照這種邏輯,曲線將趨於平坦,最終達到零,然而目前並沒有發生這樣的曲線變化。

 

這篇論文的共同作者,同時也是來自維也納CSH和醫學大學的Peter Klimek補充表示,相反的,我們看到的是每天都有恆定的新感染數量增加,用標準的流行病學模型基本上是無法解釋這現象。

 

Peter Klimek提到,傳統流行病學模型的使用將需要對參數進行很多微調,從而使模型變得越來越難以置信。如果想平衡測量結果,使有效繁殖數R(effective reproduction number R)恰好保持在1,以用來解釋線性增長,則必須以相同的精確且恆定的百分比減少接觸。實際上這是極不可能做到的。因此他們受到啟發來擴展模型並尋求進一步的解釋。

 

Stefan Thurner說,CSH科學家透過與最初預期不同的擴展形式來解釋曲線的線性形狀。首先,他們假設擴展動態在有限的人群中繼續。大多數人去上班,被感染並傳播到家裡的兩三個人,然後這些人又去上班或上學。感染基本上從一個族群傳播到另一個族群。感染曲線從S形到線性的變化顯然是一種網絡效應(network effect)兼具動態變化,與大型超級擴散事件截然不同。

 

根據上述狀況,科學家提出稱為接觸網絡(contact network)或Dc程度(Dc level)來表達接觸的數量,在這樣的狀況之下線性增長和低感染率是一定會發生的,這也解釋了為什麼在許多國家出現線性感染曲線,而與所施加的非藥物介入措施的規模無關。

 

Peter Klimek總結,在接下來的幾個月裡,隨著其他風險因素的出現,例如人們從其他國家返回,疾病的傳播可能會改變,如果感染再次增加,則線性曲線有可能再次轉變為指數增長,被稱為疾病的第二高峰。

 

參考資料:https://bioengineer.org/why-covid-19-infection-curves-behave-so-unexpectedly/