从建模新型冠状病毒肺炎(COVID-19)中汲取的教训及在下一场大流行开始时采取的步骤——聚焦于集成模型

《Discover Public Health》:Lessons learned from modeling COVID-19 and steps to take at the start of the next pandemic focusing on ensemble models

【字体: 大 中 小 】 时间:2026年07月01日 来源:Discover Public Health 1.3

编辑推荐:

  新型冠状病毒肺炎(COVID-19)大流行催生了许多计算建模工作。研究人员在过程中犯了许多错误,也汲取了许多教训。本研究试图从建模视角列出所吸取的关键教训,强调在大流行期间观察到的成功与不足之处。此外,这项工作试图汇编一系列关键步骤和最佳实践,研究人员认为这些

  
新型冠状病毒肺炎(COVID-19)大流行催生了许多计算建模工作。研究人员在过程中犯了许多错误,也汲取了许多教训。本研究试图从建模视角列出所吸取的关键教训,强调在大流行期间观察到的成功与不足之处。此外,这项工作试图汇编一系列关键步骤和最佳实践,研究人员认为这些步骤和实践将有所帮助,并应在下一场大流行开始前实施,以避免在大流行情景建模中出现不准确的情况,并特别关注集成模型。这将有助于提高准备程度,并确保计算模型能在未来大流行中更有效地指导决策。本文列出了17项主要行动建议。这些建议主要基于经验驱动,可简要概括为:改进数据收集、使资源可访问,以及使用集成模型来解释大流行。
**基于COVID-19建模经验教训的下一场大流行应对策略与集成模型应用研究解读**

**研究背景与问题**
新型冠状病毒肺炎(COVID-19)大流行期间,全球范围内出现了大量的数学与计算建模努力,旨在预测疫情发展、评估干预措施并为公共卫生决策提供支持。然而,随着疫情发展,许多模型的预测准确性受到质疑。近期研究指出,美国疾病控制与预防中心(CDC)的多数COVID-19病例预测模型的表现并不优于静态病例基线或简单的线性趋势预测。这引发了关于这些模型在政府政策制定中实际效用的担忧。建模过程中暴露出的问题包括:数据质量参差不齐、标准化缺失、模型验证不足、对关键流行病学参数(如传染性曲线、传播率、接触频率)估计不准确,以及公众和决策者对模型局限性的理解不充分。这些问题导致了预测失误,有时可能影响了资源分配和干预策略的合理性。因此,迫切需要系统总结COVID-19建模的经验教训,并制定一套可在未来大流行初期实施的、可操作的改进步骤,以提升建模的可靠性、透明度及其对决策的支持价值。本研究正是基于这一背景,旨在从建模者视角,提炼关键教训并提出具体建议,特别强调集成模型作为一种有前景的解决方案。

**研究概述与意义**
本研究发表于《Discover Public Health》,由一组计算建模人员完成。研究人员系统回顾了COVID-19大流行期间的建模实践,识别了成功与失败之处,并汇编了17项关键建议,旨在为下一场大流行初期的建模工作提供一份“检查清单”。核心目标是避免重蹈覆辙,通过提前规划和实施最佳实践,改善数据基础、建模方法、验证流程和基础设施,从而增强未来应对大流行的准备能力,并确保计算模型能更有效地指导决策。研究特别强调集成模型(Ensemble Models)的价值,认为其能通过整合多个相互竞争与协作的模型,减少单一模型的偏差,更好地适应现代数据的可用性,并为理解疫情动态提供更稳健的解释。这项工作对于推动流行病建模领域的标准化、提高模型预测的实用性和可信度、以及加强科研机构、政府与公众之间的沟通具有重要的理论与实践意义。

**关键技术方法概述**
本研究主要采用回顾性分析与归纳总结的方法,基于作者团队在COVID-19大流行期间开发和应用集成模型(特别是“参考模型(Reference Model for Disease Progression)”)的直接经验。研究并非基于新的实验数据或队列,而是对已有建模实践、公开数据源(如COVID-19追踪项目、约翰斯·霍普金斯大学数据、谷歌/苹果移动趋势数据等)、以及相关文献进行系统性梳理。关键方法聚焦于提出一套行动框架,涵盖了从数据收集(如按区域记录感染、住院、死亡数据)、关键参数估计(如传染性曲线、每次接触传播率、区域接触频率、死亡率分布),到模型验证(如运行模拟以匹配记录数据)、资源开放共享、基础设施改善(如计算资源、集中化数据平台)以及专家与公众教育等多个维度。研究特别强调了使用集成建模工具来对比、验证不同假设和模型,并通过持续模拟来迭代改进对疾病的理解。

**研究结果**

**1. 按区域记录感染、住院和死亡数据**
研究人员指出,可靠的模型依赖于高质量、标准化的数据。在COVID-19期间,尽管有组织系统性地发布了数据,但缺乏跨区域和国家的记录标准,导致数据混淆(如阳性检测数与感染数)。建议未来建立集中、可信的数据门户,以标准化格式(如CSV、API)提供包含日期、区域、死亡、累计死亡、住院和感染(理想情况下通过废水指标数据)的数据,并进行数据质量标注和版本控制。

**2. 估计传染性曲线**
传染性曲线(或称病毒脱落曲线)对于理解传播动态至关重要。COVID-19期间,关于传染期的信息存在很大不确定性且传播不足。建议通过直接测量患者病毒脱落或回顾性计算来获取这些曲线,并在匿名化后发布其整体分布,以改进流行病学模型。

**3. 估计每次接触的传播率**
每次个体接触导致疾病传播的概率是建模的关键参数。若未知,可进行合理猜测并通过计算测试。传播率受人口密度、气候、通风等多种因素影响,应列出相关参数并构建多个估计公式以供后续测试和合并。研究人员建议将基本再生数(R0)分解为更易计算且相对不变的组成部分(如传染性和传播率),以利于模拟。

**4. 估计区域接触频率**
大流行主要由人际互动驱动,因此估计接触频率作为人类行为的指标非常重要。尽管平均接触数及其标准差足以启动建模,但这些数字会随着人们对疫情的反应而迅速变化。建议利用移动数据(如谷歌、苹果的移动趋势)、家庭规模数据以及政府限制措施信息来估计接触频率,这对于在集成方法中反推接近不变的疾病参数(如每次接触传播率)至关重要。

**5. 估计死亡率分布**
准确的疾病建模需要死亡率表(按年龄等因素分层)和死亡时间(自感染起)。报告死亡时间对于模型验证很重要。理想情况下,应为建模目的提供将死亡概率表示为“自感染起时间”和“年龄”函数的概率密度函数。

**6. 估计报告数字的不准确性**
即使经过集中和审查的报告数字也存在误差,原因包括数据收集程序不一致、诊断测试类型多样等。例如,阳性检测数不能直接按比例放大代表感染数。死亡数字也可能因报告延迟或死因关联问题而不准确。因此,建模时需要区分“模拟数字”(代表理想情况下的真实感染)和“观测数字”(代表实际报告值),并探索多种校正策略来修正差异。

**7. 启动模拟以尝试匹配记录数字**
应使用模拟来验证所有收集的信息是否与观测现实匹配。重点不应仅放在疫情预测上,还应放在解释、验证、比较和构建所作假设上。使用集成建模工具(如参考模型)有助于识别对疾病理解的错误并随时间改进。研究人员强调这是一个持续的验证过程,需要在不同时期/数据上重复建模练习,以确定哪些假设/模型更有意义,并提取不随行为变化的疾病参数。集成模型的优势在于,不确定性量化和模型比较几乎可以无缝地作为优化过程的一部分进行。

**8. 使资源可用且可访问**
所有收集的信息应尽可能以最少限制向公众电子化开放。建议使用知识共享零(CC0)许可发布数据和代码,以最大程度促进重用。开源工具和资源应易于获取,以支持快速数据聚合和后续建模工作。未来需要更大的数据与资源集中化和可访问性。

**9. 改进住院情况测量**
准确的住院建模需要全面的流行病学数据。不充分或错误分类的住院数据会导致模型输入错误,进而夸大疾病负担和资源需求预测。建议建立标准化协议来分类COVID相关住院(如“因COVID-19住院”与“伴COVID-19住院”),确保实时数据共享,并整合合并症概况、医院获得性并发症等更细致的变量。同时,需要无症状传播的数据(通过接触者追踪和废水监测等技术),以避免初期模型低估病例数。

**10. 包含基线模型**
一项近期研究分析显示,超过三分之一的美国CDC COVID-19病例预测模型未能胜过简单的静态病例基线,三分之二未能胜过简单的线性趋势预测。虽然基线模型在集成背景下很重要,但其本身不足以确保现实世界的效用,应被视为有用的贡献者而非最佳解决方案。该研究对政府官员和研究者分别提出了建议,包括重新评估预测模型在政策制定中的作用、关注模型在官方平台托管的影响、以及开发能进行更长期(如2-4周)准确预测的模型。

**11. 预期变异**
即使是最好的测量和模型也存在误差,且流行病动态涉及诸如病毒变异等变化。变异(如Delta、Omicron)可能改变传染性、死亡率,并带来部分“免疫逃逸”,从而需要调整易感-感染-恢复(SIR)模型中的群体比例和基本再生数(R0)。机器学习模型在针对旧变异训练的数据集上也会变得不准确。因此,快速根据新变异调整模型参数至关重要,这需要关于变异在各群体中比例的准确、及时、可访问的数据。

**12. 确定向公众传播信息的方式**
除了创建公共访问门户,让公众了解模型和数据的局限性也很重要,可以防止人们基于特定模型的预测过度反应。应教育公众关于数据和模型可能出错的地方,并谨慎解读数字。当报告模型结果时,确保模型及其数据源的可重现性至关重要。向公众提供准确信息有助于建立信任并确保他们遵循既定政策。研究人员呼吁全球权威机构迅速而谦逊地承认错误。

**13. 基础设施与教育**
高效执行上述行动需要充足的基础设施。关键要素包括:
* **计算基础设施**:长期预测和模拟需要高性能计算能力。需要现代化软件工具以有效利用云平台。虽然出现了新的模拟引擎和人工智能(AI)能力,但支持能“解释”大流行的集成模型的技术仍需发展。
* **集中化的流行病学和临床记录**:需要建立少数集中化的数据基础设施(数据湖),允许存储任何规模的结构化和非结构化数据,并支持从可视化到机器学习等多种分析。这有助于全球科学家无缝利用收集的信息,而无需纠结于数据格式差异或不完整的记录。当前缺乏包含住院患者详细信息(如健康状况、检查结果)的全面临床数据。
* **对专家进行新兴技术教育和培训**:疾病建模界仍广泛依赖近百年历史的SIR模型。应教育研究者关于新兴技术(如集成模型),并培训他们使用版本控制、数据库系统等计算工具。基于合成数据组织建模演练和黑客松,有助于培养训练有素的研究人员和政府人员。
* **在教育公众之前先教育媒体**:应努力教育媒体(进而教育公众)关于模型的能力和缺点。可以通过简单网站、高流量网页文章或教育电视节目进行。媒体采访建模专家时,应以通俗易懂的方式呈现信息,避免使用术语,同时避免美化特定模型。
* **研究**:微观模拟或基于主体的模拟已被广泛探索,但在高性能计算(HPC)基础设施上的实现仍需更多研究。除了提高模拟速度,提高集成模型的组装速度同样重要。关于疾病暴发后多快能得出良好解释,以及能否将此类研究应用于未来大流行,仍是待解决的问题。在预测方面,能可靠预测多远未来的何种结果,也需要更多实验来回答。

**讨论与结论**

**讨论部分总结**:
研究讨论部分深入阐述了实施各项建议所面临的挑战与权衡。例如,在建立集中化数据基础设施时,会遇到组织上(不同机构标准不一)、政治上(数据主权问题)和法律上的障碍。尽管存在这些限制,系统仍需努力在可能范围内实现最佳集中化。研究也承认,行为建模极其困难,但对疫情传播至关重要,需要更多建模者致力于此。此外,对建模者的期望需要正常化,因为关于建模能力和预测/解释的极限仍存在一些开放性问题。集成模型虽然前景广阔,但建模人员和政策制定者仍需大量工作来学习如何应对这项较新的技术并研究其局限性,包括探索刚刚出现的新人工智能(AI)能力。

**研究结论翻译**:
本文提出了一系列在下一场大流行中应采取的行动,以避免作者在COVID-19大流行期间亲身经历的诸多困难。或许最重要的教训是数据不可用,即使可用,数据也缺乏标准化。在等待期间,建模者有许多工作要做,以改进其仍然依赖百年旧技术的建模技巧。建模者也必须进行练习并开展建模“演练”。集成模型作为一种有前景的解决方案正在兴起。利用丰富的可用计算能力并使用多个模型来减少模型偏差以更好地适应现代数据可用性的集成模型,开启了新的视野。集成模型可能有助于改善情况,然而建模工作队伍和政策制定者仍需大量工作来学习如何应对这项较新的技术并研究其局限性。这包括探索刚刚出现的新人工智能(AI)能力。此外,对建模者的期望需要正常化,因为关于建模能力和预测或解释的极限仍存在一些开放性问题。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号