编译|财经涂鸦  步摇

编辑|tuya

香港地区似乎在如何有效遏制COVID-19方面给了世界一个典范。它有750万人口，仅报告了4人死亡。研究香港方法的研究人员已经发现，迅速的监控、隔离和社会隔离措施（例如使用口罩和学校停课）有助于减少冠状病毒的传播，以每个感染者的平均感染人数来衡量，在2月初之前接近的临界水平。但是，本月发表的论文未能说明各种措施和同时发生的行为变化的影响。

目前，研究全球范围内采取的限制冠状病毒传播措施的有效性是科学家们最紧迫的问题之一。研究人员希望，最终能够准确地预测添加和删除某个控制措施如何影响传播率和感染人数，这些信息对于政府设计恢复社会正常的策略，同时保持较低的传播率以防止第二波感染是必不可少的。

研究人员已经在研究模型，这些模型使用来自各个国家和地区的数据来了解控制措施的效果。基于实际数据的模型应比在爆发开始时主要使用假设来预测干预措施效果的模型更为细微。结合来自世界各地的数据，研究人员可以比较各国的反应，并且与各个国家的研究相比，它还应该允许他们设计模型，以便对大流行的新阶段以及在许多国家进行更准确的预测。

但是，搞清因果关系是极具挑战性的，部分原因是每个国家的情况各不相同，并且因为人们对采取措施的人数不确定，罗莎琳德·埃戈（Rosalind Eggo）说：“这确实很难，但这并不意味着我们不应该尝试。”

齐心协力

在未来几周内，一个数据库将为解决这些问题做出更大的努力，该数据库汇集了已在全球范围内引入的数百种不同干预措施的信息。该平台是由LSHTM小组为世界卫生组织（WHO）准备的，该平台收集了已经跟踪干预措施的10个小组收集的数据，这些小组包括英国牛津大学，维也纳复杂性科学中心（CSH Vienna）的小组， 以及分析人道主义危机的公共卫生组织和非营利组织，如ACAPS。

LSHTM项目背后的数据科学家Chris Grundy说，该数据库将标准化不同团队收集的信息，并且应该比单个小组可以生成的任何信息更全面。格伦迪说，像世界卫生组织这样的机构通常会跟踪疾病爆发中使用的控制措施，但对于COVID-19，大流行的速度和规模使情况变得复杂。LSHTM招募了1,100名志愿者，负责清理和合并信息。Grundy说，该数据集将开放给任何人使用，并将在将来的版本中进行改进。他说，速度至关重要。

跟踪器暴露了在不同国家/地区部署的广泛政策。维也纳团队已捕获了52个国家/地区中约170项干预措施的详细信息，范围从小措施（例如标出两米间隔的地板标贴）到主要的限制性政策（如停课）。他们还遵循一些国家最近为恢复日常生活和与之相关的措施而做出的努力，包括规定必须戴口罩。同时，牛津的COVID-19政府反应追踪器项目正在监控100多个国家/地区的13种干预措施。它将13个指标中的7个汇总为一个“严格度”指数，该指数反映了每个国家/地区应对措施的总体严重程度，并允许在采用不同方法的国家/地区之间进行比较。团队正在修改如何计算指标并添加度量。

集群国家

两组科学家已经在分析他们的数据，以探索每个国家在应对方式上的差异。维也纳团队正在寻找模式，他们的方法包括根据流行病在多大程度上开始采取干预措施以及引入的限制总数来对国家进行聚类。例如在欧洲，算法小组将瑞典、英国和荷兰列为行动相对较慢的国家。在流行病的早期阶段，所有这三个国家都实施了“人群豁免”战略，其中涉及很少的措施或依赖自愿遵守的措施，尽管后来英国和荷兰转向更积极的应对措施，包括在全国范围内实施封锁，CSH维也纳和维也纳兽医大学的流行病学家AmélieDesvars-Larrive说。

她表示，与此同时，德国和奥地利在采取积极和早期控制策略的国家中脱颖而出，而意大利，法国和西班牙则采取了类似的措施。迄今为止，德国和奥地利的人均死于这些其他国家的COVID-19的比例很小。

牛津研究小组的早期发现还表明，相对于疫情爆发的严重程度，较贫穷的国家倾向于采取比富裕的国家更严格的措施。例如，加勒比海国家海地在确认首例案件时就实施了封锁，而美国在首例死亡后等待了两个多星期才发出留在家里的命令。牛津大学公共政策研究人员安娜·帕瑟里克（Anna Petherick）表示，这可能是因为卫生保健系统不发达的低收入国家采取了更为谨慎的行动。她说，这也可能反映出疫情是较晚到达这些国家的，这使它们有更长的时间向其他国家学习。

模式和预测

最终，研究人员希望使用LSHTM数据库中的数据，而不仅仅是检查响应的差异，并了解这些策略在限制疾病爆发方面的有效性。Eggo说：“我们确实需要实时评估这些干预措施，以便每个人都可以制定切实可行的政策。” Eggo并未参与数据库的创建，但计划使用它。“如果我们不知道什么有效，我们也不知道多少有效，那么决定下一步该做什么将非常困难。” Eggo及其同事将使用这些数据来测试数学模型的准确性，该数学模型使用方程式描述在不同干预类型和时机下的传播速率及其背后的机制。

理想情况下，研究人员将能够预测随着时间的推移，添加和删除干预措施将如何改变感染数量。维也纳CSH和维也纳医科大学的数学物理学家尼尔斯·豪格（Nils Haug）说，政策制定者可以使用这种预测以及有关重症监护能力的数据来做出决策（例如是否重开学校）。

Haug是一个由15人组成的建模团队的成员，该团队探索使用哪种统计方法。这些方法可以直接找到确定最佳预测感染率的措施，而不必直接确定每种干预措施的确切效果。一种方法涉及使用称为递归神经网络的机器学习技术从数据中的模式中学习并进行预测。研究人员可以通过查看从网络中删除有关干预措施的信息来预测变化，以了解给定干预措施的重要性。

另一种技术涉及回归分析，它估算了所有国家/地区中特定度量（例如，学校关闭）和度量标准（例如，R）之间的关系强度。例如，使用诸如套索之类的回归技术，研究人员可以确定哪些措施使R最减少。

Haug说，但是所有方法都有局限性。拉索方法假定给定的度量值始终会导致R随时间的减少，无论其应用到哪个国家/地区。这是跨多个国家学习课程的最大挑战之一。研究人员希望能够解释一些国家的怪象，例如某些国家的代际家庭患病率更高，这可能会加速传播。维也纳团队最终将尝试将这些不同的特征直接纳入其模型。目前，他们会将它们全部捕获为一个变量，从而改变每个国家/地区的R。

没有疫苗或没有有效的治疗方法，停止传播仍然是对抗COVID-19的唯一防御措施。Petherick说，了解每种控制措施的效果对于找出可以安全更改或删除的措施至关重要。她说：“如果我们能够了解应该采取的措施以及最有效的方法，以便能够阻止扩散，我认为那将是巨大的贡献。”

本文来自《Nature》4月27日的报道。