文章信息
- 魏永越, 官锦兴, 赵杨, 沈思鹏, 陈峰.
- Wei Yongyue, Guan Jinxing, Zhao Yang, Shen Sipeng, Chen Feng
- SEIR动力学模型辅助北京市新发地新型冠状病毒肺炎疫情传播起始时间溯源和防控效果评价
- Inference of start time of resurgent COVID-19 epidemic in Beijing with SEIR dynamics model and evaluation of control measure effect
- 中华流行病学杂志, 2020, 41(11): 1772-1776
- Chinese Journal of Epidemiology, 2020, 41(11): 1772-1776
- http://dx.doi.org/10.3760/cma.j.cn112338-20200706-00927
-
文章历史
收稿日期: 2020-07-06
自2019年12月新型冠状病毒肺炎(COVID-19)疫情以来,各级政府陆续实施严格的防控措施[1]。全国人民勠力抗疫,疫情得以控制。于2020年4月24日首次实现本土“零”新增,全国逐渐转向常态化防控阶段[2]。但是,北京市在持续56 d“零”报告后,于6月11日确诊1例本地病例;11-15日连续5 d,北京市累计确诊106例COVID-19病例。因此,6月16日,北京市突发公共卫生事件应急响应级别由三级提升至二级[3]。经流行病学溯源发现,绝大多数病例与新发地农产品批发市场高度相关。新发地批发市场物流广泛、人员密集、疫情扩散风险巨大。根据现有资料,患者最早出现症状的日期是6月4日,可以推测更早之前新发地批发市场的隐匿社区传播或已发生,但具体时间点尚未知。截至7月1日,次轮疫情已累计报告329例,新发病例已显著减少,但当前疫情处于哪一阶段,有待分析。因此,本研究拟基于传染病动力学模型推断本次疫情的传播时间起点,辅助传染病溯源,在不同防控效果的假设前提下,估计疫情走势和累计发病人数,以评估现阶段北京市综合防控措施效果。
资料与方法1.数据来源:截至7月1日,确诊的329例病例详情摘录自北京市卫生健康委员会官方网站(http://wjw.beijing.gov.cn/)(表 1)。病例的首次症状出现时间即为发病时间,据此获得每日新增发病人数。截至7月1日,累计128例受试者的发病时间缺失。本研究根据具有明确发病时间的病例,估计发病至确诊的延迟时间,构建延迟时间的经验分布,并以此为依据,填补发病时间缺失病例的发病时间分布(表 1),进而获得完整的逐日累计发病数。
2.模型构建:将研究人群划分成4个仓室:易感者(Susceptible,S)、潜伏者(Exposed,E)、感染者(Infections,I)、移除者(Removed,R),构建Susceptible-Exposed-Infections-Removed(SEIR)动力学模型[4]。微分方程组公式:
(1) 考虑暴露人群(E)和发病人群(I)具有传染性。β为传染系数,表示单位时间(d)内,一个暴露者和发病者的平均传播人数;ε为暴露人群较之发病人群的传染力折扣系数;α为潜伏期的倒数,表示暴露者转变为发病者的速率;γ为单位时间内,发病者移出的速率;ω为防控措施的效果系数[5-6]。参数设置:β为搜索范围:0.20~5.00,从均匀分布中抽样;ε为搜索范围:0~1,从均匀分布中抽样;α为1/5.8[7],固定值;γ为搜索范围:1~7 d,从均匀分布中抽样;假设北京市的本次疫情起始于1名携带病毒的暴露者,将其开始传染扩散的时间点定义为本次疫情传播的起始时间,起始时间搜寻范围为2020年5月20日至6月4日。
3.模型拟合:设每日新增发病人数服从时依Poisson分布(以当日实际新增发病人数为Poisson分布的参数);基于时依Poisson分布随机数和当前候选参数,采用4阶Runge-Kutta(RK4)方法进行数值求解,拟合6月4-11日连续8 d(n=8)的每日新增发病人数(Ti)[8]。较之实际值(Ai),计算均方根偏差(root mean square error,RMSE),评价拟合效果:
根据拟合结果计算基本再生数(basic productive number,R0):
每次拟合,产生10 000组参数组合,根据RMSE最小原则筛选出最佳参数组合;重复1 000次拟合,以获得疫情起始时间、模型参数、估计发病人数的分布,并获得中位数和95%CI。
另外,考虑6月12日起北京市加强了防控措施,理应降低了病毒的传播效率。本研究考虑自6月12日起北京市的综合防控措施使得疫情传播率下降10%~100%等不同情况下,即ω=0.9(略有效果)至0(完全阻断),估计6月12日至7月1日的疫情趋势。
4.统计学处理:采用R Software Version 3.6.1(The R Foundation for Statistical Computing)软件和deSolve软件包进行分析和建模。
结果结果显示,新发地疫情传播潜在起始时间为5月22-28日(累计概率为95%),起始于5月25日的概率最高(23%)(图 1)。
模型的参数估计结果见表 2。拟合结果提示,截至6月11日,累计发病人数达99例(95%CI:77~121)(图 2)。若不加控制,则截至6月20日,累计发病估计将达到1 866例(95%CI:1 322~2 444);截至7月1日,累计发病估计将达到65 090例(95%CI:39 068~105 037)。若以5月25日为疫情传播起始时间,R0的估计结果为4.17(95%CI:3.10~6.54)。考虑其他传播起始时间情况进行综合分析,R0的估计结果4.22(95%CI:2.88~7.02)。
假设北京市新发地疫情传播起始于5月25日。自6月12日起,若北京市的综合防控措施使得本次疫情传播率降低50%(ω=0.5),则截至7月1日,估计累计发病人数为2 583例;若传播率降低90%(ω=0.1),则截至7月1日,估计累计发病人数为383例;若传播率降低95%(ω=0.05),则截至7月1日,估计累计发病人数为330例;若完全阻断了传播途径,则截至7月1日,估计累计发病人数为285例。实际上,截至7月1日,累计确诊329例,接近于综合防控措施使得传播率降低95%的理论推演情况(图 3A)。考虑其他潜在的传播起始时间的敏感性分析支持这一结论(图 3B~G)。
讨论本研究基于SEIR传染病动力学模型,推演北京市新发地农产品批发市场相关的疫情传播起始时间分布于5月22-28日,起始于5月25日的可能性最高,该结果可为精准传染病传播起始时间溯源提供依据。与2019年12月初在武汉市暴发的COVID-19相比,本次突发疫情的R0为4.22,高于以往研究结果[9-10]。北京市本次疫情相关的SARS-CoV-2病毒基因序列发生了突变,传染性增强[11]。此外,新发地批发市场是全国最大的农产品批发市场之一,人口更为密集,流动性更大,传染源的有效接触人数更高,这可能是R0较高的原因之一。
本研究在假设不同防控效果情况下,推演疫情发展趋势,估计发病和潜伏期人数,作为当前疫情溯源效果评价依据。北京市自6月12日起针对本次突发疫情所采取的一系列迅疾、广泛、强效的综合防控措施,成效显著,迅速阻断了95%以上的传播途径,并使得有效再生数快速降至0.21,使得感染人数减少了99%,疫情迅速得到遏制。模型推演提示,虽仍可能存在少量处于潜伏期的感染者,北京市的本轮疫情已近尾声。
本研究存在局限性。首先,研究假设北京市地区疫情起始于1名潜伏期感染者,实际亦有可能起始于食品、物品或环境暴露。其次,由于从发病到报告具有一定的延滞,后几天的发病人数有所缺失,本研究所采用统计学“填补”后的发病数进行拟合,可能会导致一定的填补偏倚;敏感性分析显示,对延滞时间进行拟合,其较好地服从lognormal(1.34,0.552)分布,基于拟合的分布对缺失的发病频数进行填补,结果基本一致。另外,未纳入北京市本次疫情有关联的北京市外的病例,可能使得模型估计结果偏低。模型亦未考虑“无症状感染者”对疫情的影响;据官方公布的信息,本次溯源仅发现5例“无症状感染者”(其中1例后续转为确诊病例),而筛查中所发现的无症状的核酸阳性人群,大多数应为尚未出现症状的潜伏期人群。
综上所述,针对突发性疫情,传染病动力学模型可用来辅助推演传染病传播起始时间,辅助疫情溯源,并及时评估防控措施的效果[4, 12]。北京市针对本次突发疫情所采取的综合防控措施迅速遏制了疫情,对于未来疫情防控具有重要的指导意义。在国内疫情基本稳定的局势下,我们不仅要严格控制国外输入风险,还需要密切监测国内情况,提高疫情监测效率和预测精度,避免COVID-19在国内卷土重来。
利益冲突 所有作者均声明不存在利益冲突
[1] |
Chen XC, Ding JF, Xu DH, et al. Preventive and Control Measures for the Coronavirus Pandemic in Clinical Dentistry[J]. Chin J Dent Res, 2020, 23(2): 99-104. DOI:10.3290/j.cjdr.a44745 |
[2] |
国家卫生健康委员会.截至4月24日24时新型冠状病毒肺炎疫情最新情况[EB/OL]. (2020-4-24)[2020-7-1]. http://www.nhc.gov.cn/yjb/s7860/202004/8ca7171cf72b4920a9b37ff5d47fd607.shtml. National Health Commission. Latest developments of COVID-19 up to 24: 00, April 24, 2020[EB/OL]. (2020-04-24)[2020-07-01]. http://www.nhc.gov.cn/yjb/s7860/202004/8ca7171cf72b4920a9b37ff5d47fd607.shtml. |
[3] |
Owen J. COVID-19:WHO raises concerns about new cases in Beijing[J]. BMJ, 2020, m2415. DOI:10.1136/bmj.m2415 |
[4] |
魏永越, 赵杨, 陈峰, 等. 传染病动力学模型的理论基础及在疫情防控中的应用价值[J]. 中华预防医学杂志, 2020(06): E32. Wei YY, Zhao Y, Chen F, et al. Principles of dynamics model and its application in forecasting the epidemics and evaluation the efforts of prevention and control interventions[J]. Chin J Prev Med, 2020(06): E32. DOI:10.3760/cma.j.cn112150-20200315-00340 |
[5] |
Wei Y, Wei L, Jiang Y, et al. Implementation of clinical diagnostic criteria and universal symptom survey contributed to lower magnitude and faster resolution of the COVID-19 epidemic in Wuhan[J]. Engineering, 2020. DOI:10.1016/j.eng.2020.04.008 |
[6] |
魏永越, 卢珍珍, 杜志成, 等. 基于改进的SEIR+CAQ传染病动力学模型进行新型冠状病毒肺炎疫情趋势分析[J]. 中华流行病学杂志, 2020, 41(4): 470-475. Wei YY, Lu ZZ, Du ZC, et al. Fitting and forecasting the trend of COVID-19 by SEIR+CAQ dynamic model[J]. Chin J Epidemiol, 2020, 41(4): 470-475. DOI:10.3760/cma.j.cn112338-20200216-00106 |
[7] |
Wei Y, Wei L, Liu Y, et al. A systematic review and Meta-analysis reveals long and dispersive incubation period of COVID-19[J]. medRxiv, 2020. DOI:10.1101/2020.06.20.20134387 |
[8] |
Zhang Z, Chen L, Bao X. A fourth-order Runge-Kutta in the interaction picture method for numerically solving the coupled nonlinear Schrödinger equation[J]. Optics Express, 2010, 18(8): 8261. DOI:10.1364/OE.18.008261 |
[9] |
Pan A, Liu L, Wang C, et al. Association of public health interventions with the epidemiology of the COVID-19 outbreak in Wuhan, China[J]. JAMA, 2020. DOI:10.1001/jama.2020.6130 |
[10] |
Li R, Pei S, Chen B, et al. Substantial undocumented infection facilitates the rapid dissemination of novel coronavirus (SARS-CoV-2)[J]. Science, 2020, 368(6490): 489-493. DOI:10.1126/science.abb3221 |
[11] |
Korber B, Fischer WM, Gnanakaran S, et al. Tracking changes in SARS-CoV-2 Spike:evidence that D614G increases infectivity of the COVID-19 virus[J]. Cell, 2020. DOI:10.1016/j.cell.2020.06.043 |
[12] |
Zhao Y, Wei Y, Shen S, et al. Appealing for efficient, well organized clinical trials on COVID-19[J]. Ann Transl Med, 2020, 8(10): 632. DOI:10.21037/atm-20-2429 |