模型有助于确定减少Covid-19传播所需的检疫措施

这篇文章中描述的一些研究已经在预印本服务器上发表了，但是还没有经过该领域专家的同行评审。

随着Covid-19在美国的感染激增，一些州正在收紧限制并重新实施隔离措施，以减缓病毒的传播。麻省理工学院研究人员开发的一个模型显示，感染人数与一个国家维持隔离措施的有效性之间存在直接联系。

研究人员在11月发表在《细胞模式》(Cell Patterns)上的一篇论文中描述了他们的模型，表明该系统可以再现检疫措施在世界各国对病毒传播的影响。在他们最近发布在预印本服务器medRxiv上的下一项研究中，他们深入研究了去年春季和夏季来自美国的数据。他们发现，早期感染的激增与“隔离强度”的下降密切相关。“隔离强度”指的是防止被感染者感染他人的能力。

最新的研究集中在去年春天和初夏，当时美国南部和中西部地区的感染率急剧上升，因为这些地区的各州重新开放并放松了隔离措施。研究人员利用他们的模型计算了这些州的隔离强度，其中许多州在春季最初的封锁之后提前重新开放。

如果这些州没有这么早就重新开放，或者重新开放但严格执行了诸如戴面具和社交距离等措施，该模型计算出，在研究人员考虑的所有州中，超过40%的感染本可以避免。该研究尤其估计，如果德克萨斯和佛罗里达保持更严格的隔离措施，这两个州就可以避免10万多人感染。

该研究的第一作者、麻省理工学院土木与环境工程系研究生Raj Dandekar说:“看看这些数字，个人层面上的简单行动就能大幅减少感染人数，并能极大地影响这一流行病的全球统计数据。”

随着该国抗击冬季新感染的浪潮，各州再次收紧限制，该研究小组希望该模型能够帮助决策者确定将采取的隔离措施的级别。

“我认为我们已经从数量上认识到，从高度隔离跳到无隔离再跳到高度隔离绝对行不通，”该研究的共同作者、麻省理工学院应用数学教师克里斯托弗·拉科克卡斯(Christopher Rackauckas)说。“相反，政策的良好持续实施本来会是一个有效得多的工具。”

这篇新论文的共同作者还包括本科生Emma Wang和机械工程教授George Barbastathis。

学习的力量

该团队的模型是对标准SIR模型的修正，SIR模型是一种流行病学模型，用于根据“易感人群”、“传染性人群”或“康复人群”的数量预测疾病的传播方式。Dandekar和他的同事用他们训练来处理真实Covid-19数据的神经网络增强了SIR模型。

增强的机器学习模型学会识别感染病例和恢复病例数据中的模式，并从这些数据中计算未将病毒传播给他人的感染者人数(可能是因为受感染者采取了某种隔离措施)。这一数值被研究人员称为“隔离强度”，它反映了一个地区隔离受感染者的有效性。该模型可以随时间处理数据，以了解一个地区的隔离强度是如何演变的。

这组科学家在2月初开发了该模型，并将其应用于来自70多个国家的Covid-19数据，发现它准确地模拟了欧洲、南美和亚洲最初遭受病毒重创的国家的现场隔离情况。

拉楚卡卡斯说:“当我们观察这些国家何时实施隔离，并将其与训练有素的隔离强度信号的结果进行比较时，我们看到了非常强的相关性。”“在所有国家中，我们模型中的隔离强度在政策制定后一两天内就会发生变化。这些结果验证了模型的正确性。”

研究小组上个月在《细胞形态》杂志上发表了这些国家级的研究结果，并将研究结果发布在covid19ml.org网站上，用户可以在世界地图上点击查看一个给定国家的隔离强度随时间的变化情况。

如果国家延迟了呢?

一旦研究人员验证模型在国家层面,他们应用各个州在美国,不仅看到国家的检疫措施是如何进化的随着时间的推移,但如何感染的数量会改变,如果一个国家修改其检疫力量,例如通过推迟重启。

他们把重点放在美国南部和中西部，那里的许多州很早就重新开放，随后经历了感染人数的快速增长。研究小组利用该模型计算了亚利桑那州、佛罗里达州、路易斯安那州、内华达州、俄克拉何马州、南卡罗来纳州、田纳西州、德克萨斯州和犹他州的隔离强度，这些地区都是在5月15日之前开放的。他们还模仿了纽约、新泽西和伊利诺斯州，这些州将重新开放时间推迟到5月底和6月初。

他们向模型输入每个州报告的感染和康复人数，从每个州报告的第500例感染开始，一直到7月中旬。他们还指出，在这一天，每个州都解除了“待在家里”的禁令，这实际上标志着该州重新开放。

对每个州来说，重新开放后隔离力度很快下降;这种下降的陡度，以及随后感染人数的上升，与一个国家的重新开放密切相关。那些较早重新开放的州，如南卡罗来纳和田纳西，隔离强度下降幅度更大，每日病例率更高。

丹德卡说:“我们不只是说提早开业是不好的，而是在这里量化了它有多糟糕。”

与此同时，纽约和新泽西等州推迟重新开放，或在重新开放后仍采取戴口罩等检疫措施，隔离力度基本保持稳定，感染人数没有显著上升。

“现在我们可以给出一种与现实相符的隔离力度措施，我们可以说，‘如果我们保持一切不变会怎么样?南方各州的前景会有多大差异呢?“奈克考卡斯说。

接下来，该团队逆转了模型，以估计如果一个给定的国家即使在重新开放后仍保持稳定的隔离强度，将会发生的感染数量。在这种情况下，在他们模拟的每个状态中，超过40%的感染本可以避免。在德克萨斯州和佛罗里达州，这一比例相当于每个州约10万例可预防病例。

可以想象，随着大流行的持续起伏，政策制定者可以利用这个模型来计算将一个国家当前的感染人数控制在一定数量以下所需的隔离强度。然后，他们可以查看数据到某个时间点，该州显示出同样的价值，并参考当时实施的限制类型，作为他们目前可以实施的政策的指南。

“让我们感到舒适的这种疾病的增长速度是多少?什么样的隔离政策会让我们到达那里?”“奈克考卡斯说。“是每个人都躲在家里，还是每个人都被允许去餐馆，但一周只有一次?”这就是模型能告诉我们的。它可以让我们对这个问题有一个更精确的量化观点。”

这项研究部分是由情报高级研究(IARPA)资助的。