关键词:
COVID-19
NPIs
流感
流感样病例
疾病负担
数学模型
摘要:
研究背景COVID-19大流行及其非药物干预措施(non-pharmaceutical interventions,NPIs)在一定程度上影响甚至改变了季节性流感(简称流感)的流行特征。与之相关的一系列科学问题有待研究:NPIs如何具体影响流感的季节性传播;如何定量测量NPIs对不同社会环境地区的流感样病例的影响;COVID-19大流行期间流感的疾病负担如何;如果在COVID-19相关NPIs放开后,流感恢复既往的季节性流行模式,如何更好得运用历史数据和数学模型对流感传播进行预测预警。本研究旨在利用包括流感哨点监测数据、气象数据和人口密度数据等多源数据,综合运用广义相加模型(generalized addictive model,GAM)、乘法模型、基于门控循环单元(Gate Recruit Unit,GRU)的深度学习混合模型,自回归移动平均-广义自回归条件异方差模型(autoregressive moving average-generalized autoregressive conditional heteroskedasticity,ARMA-GARCH),选择分别位于温带、亚热带和热带的8个中国省市作为研究地点,深入探索以上几个问题。研究方法1.利用北京市和香港特区2011-2019年流感哨点监测数据、气象数据和公共或学校假期数据等,假设在没有COVID-19大流行及其NPIs的情景下,构建GAM模型预测北京市和香港特区2020-2021年每周流感样病例(influenza-like illness,ILI)的数量,并与实际报告的周ILI数及2011-2019年前9个流行季的平均值进行比较;进一步利用牛津COVID-19政府响应追踪系统(Oxford COVID-19 Government Response Tracker,OxCGRT)的 NPIs 数据分别建立 2020-2021 年单因素、多因素GAM模型,分析独立的和合并的NPI指标对以上两个城市ILI的潜在影响。2.利用北京市2017-2021年流感样病例和流感病原学哨点监测数据,建立包括以下关键参数的乘法模型:(1)报告的周ILI数;(2)报告的流感病毒核酸检测阳性率;(3)流感感染者中显性感染的比例;(4)显性感染者中流感样病例的比例;(5)一般就诊率;(6)咽拭子采样成功率;(7)样本检测敏感度,估算北京市2020-2021流行季的流感相关门诊就诊量(率)、感染人数(率)和发病人数(率),并与前三个流行季(2017-2018、2018-2019和2019-2020)的相关数据进行比较。3.利用北京市、天津市、山西省、湖北省、重庆市、广东省、海南省和香港特区2011-2017流行季流感哨点监测数据、气象数据和公共或学校假期数据等,分别建立GAM模型、基于GRU的深度学习混合模型和ARMA-GARCH模型,提前1周、2周、3周和4周,分别预测以上8个省市2017-2019流行季的周ILI比例,通过计算平均绝对百分比误差(mean absolute percentage error,MAPE)、均方根误差(root mean squared error,RMSE)和R方(R squared)比较三个模型的预测效果,并通过blocked交叉验证分析检验三个模型的稳健性。研究结果1.在2020-2021年,北京市和香港特区的实际周ILI数均远低于过去9 个流行季,分别减少了 47.5%(95%confidence interval[CI]:42.3%,52.2%)和 60.0%(95%CI:58.6%,61.1%)。在假设没有COVID-19NPIs的情况下,这两个城市的实际值比 GAM 模型估计值分别下降 42.6%(95%CI:37.8%,47.1%)和 57.9%(95%CI:54.0%,61.4%)。多因素GAM模型中,“取消公共事件”和“限制内部流动”措施对北京市 ILI 相对下降量的系数分别为-0.159(95%CI:-0.220,-0.099),-0.127(95%CI:-0.203,-0.051);而“限制国际旅行”措施对香港特区的ILI相对下降量的系数为-0.132(95%CI:-0.187,-0.077)。2.经乘法模型估算,北京市2020-2021流行季(COVID-19大流行期间)的流感相关门诊就诊率、流感感染率和流感发病率分别是0.010%(95%CI:0.008%,0.014%),0.017%(95%CI:0.013%,0.023%),和 0.011%(95%CI:0.009%,0.015%),远低于过去三个流行季。其中,北京市2017-2018流行季的流感相关门诊就诊率、流感感染率和发病率分别是 7.692%(95%CI:5.83