A model with exposure in the epidemiological sense. Part 1 -- Base model

“几乎感染”与“确诊感染”之间的隐形界线

想象一个世界，感冒不再是一个简单的“开/关”开关，而是一个滑坡。在流行病学——研究疾病如何在人群中传播的科学中——科学家长期以来一直使用地图来预测疫情爆发。这些地图通常将人们划分为整齐的方框：那些可能生病的人（易感者，Susceptible）、那些正在生病并传播病毒的人（感染者，Infected），以及那些已经康复的人。但存在一个棘手的中间地带。几十年来，许多模型都使用了一个名为“暴露”（Exposed，简称 E）的方框。在传统的数学世界里，处于这个方框意味着你已经确定感染了病原体，只是正在等待症状出现。这就像是在一个候诊室里，而你的号码牌已经被取好了。

然而，现实生活要复杂得多。在真实的公共卫生领域，“暴露”仅仅意味着你接触到了某个生病的人。你可能真的感染了病原体，也可能只是呼吸了同样的空气，而你的免疫系统在病原体扎根之前就将其击退了。本文探讨了一个非常具体的困惑：如果我们不再将“暴露”视为一种必然的感染，而是将其视为一种“概率”，会发生什么？作者们问道：如果我们构建疾病地图时，考虑到所有经历过“险些感染”（暴露了但并未实际感染）的人，这是否会改变我们对疫情规模、需要隔离人数或潜在死亡人数的预测？事实证明，从“可能”到“确定”的区别，改变了整个故事的走向。

---

“可能”地带：一种新型地图

本文的作者 CI Hamari Nkwayep、Julien Arino 和 PM Tchepmo Djomegni 决定重新绘制这张地图。他们构建了一个新的计算机模型，像真正的医生一样对待“暴露”：将其视为一种可能导致感染的接触，但不一定会导致感染。

把旧模型想象成俱乐部门口的保安，他假设只要你碰到了那条天鹅绒绳，你就一定能进去。在他们的版本中，一旦你触碰了绳子（暴露），你会被立即放入一个“潜伏”（Latent）线中，这意味着你注定最终会进入俱乐部（感染）。然而，新模型更像是一个检查身份证的保安。你触碰了绳子，然后进入了一条“可能”线。你们中的一些人接受了身份检查，通过了，进入了俱乐部。但很大一部分人呢？他们接受了身份检查，发现自己没有合适的通行证，于是被送回了街上（回到易感人群池），甚至从未进入过俱乐部。

这个“可能”线是本文的重要创新。作者称之为 SEIARS 模型（易感者 Susceptible、暴露者 Exposed、感染者 Infected、无症状者 Asymptomatic、康复者 Recovered、易感者 Susceptible）。在他们的版本中，“暴露”环节是一个暂存区，用于存放那些接触了病毒但尚未一定感染的人。他们追踪这些人的来源——是遇到了咳嗽的人（有症状者），还是遇到了隐匿的、沉默的携带者（无症状者）？——然后根据这种特定的接触情况，计算他们实际生病的概率。

“缓冲”效应：为什么旧地图错了

当作者运行模拟实验时，他们发现了一些令人惊讶的结果。那些假设“暴露等于感染”的旧模型，就像是一个火警报警器，只要有人走进建筑，即使对方没带火柴，它也会鸣响。而新模型更聪明；它会等待观察这个人是否真的点燃了火。

因为新模型会将许多人送回“易感”人群池，而不是直接转入感染状态，所以它创造了一种缓冲。想象一群人试图挤进一扇门。旧模型假设每一个碰到门框的人都会卡在走廊里。新模型则意识到，有一半碰到门框的人只是转身离开了。这意味着“感染”人群的增长速度更慢，规模也更小。

在模拟过程中，作者发现旧模型一致地高估了疫情的峰值。它们预测的病例激增比实际发生的更剧烈、更可怕。相反，新模型表明，由于易感人群并没有如此迅速地被吸入感染线，疫情可能会燃烧得更快、结束得更早。

“虚假警报”的隐藏成本

这里是故事变得真正有趣的地方，也是关乎公共卫生的关键。作者认为，旧模型在计算隔离和接触者追踪的成本方面表现得极其糟糕。

想象一名试图抓捕罪犯的侦探。旧模型只追踪那些确定是罪犯的人（感染者）。因此，当侦探派出团队去逮捕所有可能见过罪犯的人时，旧模型认为：“太好了，我们只需要逮捕那些确定有罪的人。”

但新模型说：“等等。我们必须逮捕所有见过罪犯的人，即使他们并没有做错任何事。”在现实世界中，如果你暴露于某种病毒，为了保险起见，你通常会被要求隔离（待在家里），即使你从未真的生病。旧模型忽略了这群庞大的“假阳性”群体——即那些暴露了但从未实际感染的人。

论文的模拟显示，旧模型严重低估了这些防疫措施带来的社会和经济负担。它们忽略了那些从未真正生病的人在隔离期间所消耗的数百万“人·日”（person-days）。新模型显示，对于每一个生病的人，可能对应着十个暴露了、接受了隔离、然后又回归正常生活的普通人。这种“滞留效应”是一个巨大的、隐形的成本，而旧地图完全抹去了这一部分。

病毒载量与感染的“年龄”

为了让模型更加逼真，作者增加了一个名为“感染年龄”的细节层。他们不仅说“你病了”，还追踪了“你生病多久了”。他们将感染想象成一段旅程，穿过一系列房间。随着你在房间之间移动，你的“病毒载量”（携带病毒的量）也会随之变化。

他们使用了一种被称为 Erlang chain（一种巧妙的技巧，意为连接的房间序列）的方法来模拟这一过程。在旅程开始时，你可能携带很少的病毒；在旅程中期，你可能是一个超级传播者；到了旅程末尾，你可能正在清除病毒。这使得他们能够观察到，感染他人的风险在每一天并不相同；这取决于病人正处于其旅程中的哪个阶段。

这对未来意味着什么

作者谨慎地指出，这是一种模拟，而非对现实世界发生情况的最终证明。他们在计算机上运行数据，以观察数学逻辑的行为。他们发现，如果我们继续使用旧的“暴露等于感染”的模型，我们可能会犯两个大错：

1. 我们可能会对疫情规模感到恐慌（认为它会比实际情况更大）。
2. 我们可能会对遏制疫情的成本完全缺乏准备（低估了我们需要隔离多少人以及这将给社会带来多少成本）。

他们还指出，该模型也有局限性。它假设你第一次遇到病人就决定了你的命运，但在现实生活中，你可能会多次遇到他们，而重复接触可能会改变概率。此外，这个特定版本的模型尚未包含疫苗，尽管他们计划在未来的研究中加入这一变量。

最终，这篇论文是对精准表达和精准数学的呼吁。它表明，通过承认“我遇到了病原体”与“我感染了病原体”之间的区别，我们可以绘制出更好的地图。这些新地图不仅会告诉我们会有多少人病倒，还会告诉我们需要保护多少人、需要隔离多少人，以及如何在抗击病毒与承担抗击成本之间取得平衡。