A multi-scale immuno-epidemiological behavioral model for influenza-like illness: connecting scales through symptom scores
本文提出了一种新型多尺度模型，证明了由个人症状严重程度而非群体层面病例数驱动的个体行为变化，在保持与标准SEIR模型定性相似的轨迹的同时，延迟并降低了流感流行高峰。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
当一种传染病在社区中传播时，公共卫生专家通常会关注宏观层面：有多少人患病，有多少人在住院，以及有多少人死亡。人们自然会认为，当看到这些数字上升时，他们会改变习惯以保持安全。他们可能会佩戴口罩、避免人群或留在家中。这种根据疫情新闻做出反应的想法是科学家模拟疾病传播的标准部分。然而，还有另一个更具个人色彩、更难追踪的改变行为的原因。当一个人感觉非常糟糕时——比如遭受剧烈的头痛、肌肉酸痛或高烧——他们自然会放慢节奏。他们会卧床休息，避免社交活动，并且仅仅是因为没有精力与他人互动。这种反应是由疾病带来的即时生理现实驱动的，而非由新闻驱动。对于许多呼吸道疾病（如流感）而言，这种因感觉不适而产生的个人反应是疾病在人群中移动的重要因素，然而它在用于预测疫情的数学模型中却经常缺失。
一个研究小组致力于构建一种新型计算机模型，将这两个世界联系起来：单个人体内发生的微观生物学变化，以及整个社区中疾病的大规模运动。他们的目标是观察是否可以创建一个现实的模拟过程，即人们的行为改变是因为他们感觉有多难受，而不是因为他们听到了关于疫情的消息。为此，他们首先研究了感染的生物学。在人体内，病毒攻击细胞，而免疫系统则进行反击。这场战斗产生了导致我们熟悉的症状（如疼痛、发热和疲劳）的化学物质。研究人员使用了一套详细的规则来模拟这种内部战斗，追踪病毒如何增长以及免疫反应如何随时间建立。通过这种内部模拟，他们计算出了一个“症状评分”，这是一个代表一个人在任何给定时刻感觉有多糟糕的单一数值。
研究人员随后将这个内部评分用于驱动整个人口的模型。在他们的模拟中，每个生病的人都有自己的内部故事。如果一个人的症状评分很高，模型就会让他们减少与他人的接触，从而有效地减缓他们传播病毒的能力。如果一个人虽然被感染但感觉良好——意味着他没有症状——模型则假设他继续正常的日常活动，在不知不觉中传播病毒。这种方法不同于以往的模型，以往的模型通常将一个人的传染性直接与其体内的病毒量挂钩。研究人员知道，病毒量与一个人感觉如何并不总是完美匹配的；有时一个人体内有大量病毒但感觉良好，或者病毒很少却感觉非常糟糕。通过使用症状评分而非病毒量，他们希望捕捉到人们改变行为的真实原因。
模拟结果揭示了一个令人惊讶的模式。当研究人员增加行为改变的强度——即让那些感觉非常严重的人更加严格地留在家中时——疫情的高峰变得更低且发生得更晚。这是一件好事，因为这意味着不会有太多人在同一时间生病，从而有助于医院应对。然而，疫情曲线的整体形状看起来与几十年来科学家使用的标准曲线非常相似，而这些标准曲线并未考虑行为改变。这是一个重要的发现，因为它表明，即使人们正根据自己的感受积极改变行为，由此产生的流行病在外观上可能与人们只是遵循疾病自然进程时的情形并无二致。研究人员发现，如果对标准模型（即忽略这些个人反应的模型）进行微调，它仍然可以准确预测患病总人数。
这与其他类型的模型形成了鲜明对比，在那些模型中，人们是因为看到新闻中病例上升而改变行为的。在那些场景中，疫情曲线往往会呈现出奇怪的形状，例如平坦的顶部或长长的、缓慢的尾部，因为整个群体会同时对单一信息做出反应。而在新模型中，由于每个人只对自己身体的情况做出反应，这些变化是逐渐且个体化的，从而使曲线变得平滑且呈现出熟悉的形状。这项研究表明，由疾病驱动的行为是一种强大的力量，它可以延迟并减轻疫情的最严重程度，但它进行得非常安静，不会在数据中留下明显的痕迹，从而让科学家一眼就能看出这是由人类选择所致。
研究人员还测试了连接内部症状评分与外部行为的不同方式，尝试了各种数学关系，以观察结果是否会改变。他们发现，无论如何将两者联系起来，结果都是一样的：流行病曲线看起来仍是标准的曲线。这意味着，将“感觉不适”与“留在家中”联系起来的具体数学公式，其重要性可能不如这种联系本身的存在那么重要。研究结论是，虽然我们知道人们在感到不适时会改变行为，但这种改变可能已经如此深入地融入了流行病的自然流动之中，以至于仅通过观察病例总数很难察觉。这凸显了我们理解中的一个差距：我们可能正在错过拼图中的一个关键部分，因为其证据就隐藏在显而易见之处，看起来就像是疾病在没有任何人类选择干预的情况下自然传播一样。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。