Population Attributable Mortality Associated with Respiratory Viruses in Ontario

该研究通过生态回归模型估算发现，2020 年至 2025 年间 SARS-CoV-2 在安大略省造成的归因死亡率约为季节性流感 A 的 3 至 4 倍，且疫情后呼吸道病毒（包括流感）的总体死亡负担未回落至大流行前水平，同时强调了模型季节性调整对流感与 RSV 估算结果的重要影响。

要点

这篇论文就像是在给安大略省（加拿大）过去 30 多年的“死亡账本”做一次详细的财务审计。

研究人员想知道：到底有多少人的死亡，真正是由流感、呼吸道合胞病毒（RSV）和新冠病毒（SARS-CoV-2）这些“坏分子”造成的？

通常，我们在死亡证明上看到的死因（比如“心脏病发作”）往往掩盖了背后的真凶——病毒。这就好比一个人因为心脏病去世，但实际上是因为流感引发了心脏问题，而医生只写了心脏病。为了看清真相，研究人员没有去翻每一张死亡证明，而是用了一种更聪明的“侦探方法”。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 侦探的“放大镜”：生态回归模型

研究人员没有盯着一个个具体的病人看，而是把目光投向了整体趋势。

• 比喻：想象你在看一个繁忙的游泳池。你无法数清每一滴水，但如果你看到水面上突然出现了巨大的波浪（病毒传播高峰），紧接着水面上就漂起了很多落叶（死亡人数增加），你就可以推断：这些落叶是被波浪冲上来的。
• 做法：他们把过去 30 年每个月的“病毒检测阳性率”和“死亡人数”放在一起对比。如果病毒多了，死亡人数也跟着涨，那就说明病毒是“罪魁祸首”。

2. 核心发现：谁是真正的“大魔王”？

A. 流感（Influenza）：老牌的“捣蛋鬼”

• 疫情前（1993-2020）：流感 A 型是主要的“捣蛋鬼”。它每年导致大约 1.8% 的死亡。这就像是一个每年冬天都会来捣乱的小混混，虽然不致命，但年年都要搞点破坏。
• 疫情后：有趣的是，在新冠大流行期间，流感的“捣乱”能力似乎变弱了（可能是因为大家戴口罩、少出门，把流感也挡在了门外）。

B. 呼吸道合胞病毒（RSV）：被“隐形”的杀手

• 发现：RSV 通常被认为主要伤害小孩和老人。但在统计中，如果模型里把“季节性”（比如冬天本来就冷，人容易生病）这个因素剔除掉，RSV 的杀伤力就显现出来了，大约占死亡的 1.9%。
• 比喻：RSV 就像是一个穿着迷彩服的刺客。如果你不把它和“冬天”这个背景分开看，它就隐身了；一旦把它单独拎出来，你会发现它其实是个狠角色。

C. 新冠病毒（SARS-CoV-2）：压倒性的“超级反派”

• 发现：这是论文最惊人的结论。在 2020 年到 2025 年期间，新冠病毒造成的死亡负担是流感的 3 到 4 倍！
• 数据：它导致了约 6.1% 的死亡。
• 比喻：如果说流感是一个拿着棍子的小混混，那新冠病毒就是一个开着坦克的入侵者。即使我们有了疫苗、药物，并且大家都戴了口罩，这个“坦克”依然造成了巨大的破坏。
• 特别发现：即使在官方宣布“大流行紧急状态”结束后的时期（2023 年 5 月之后），新冠病毒依然保持着强大的杀伤力，并没有像我们期望的那样完全“退烧”。

3. 统计学的“魔法”：季节性调整

论文里有一个非常技术性的点，但可以用一个比喻理解：

• 问题：冬天本来就容易死人（因为天冷、交通意外等），病毒也喜欢冬天。如果我们不区分“天冷导致的死亡”和“病毒导致的死亡”，就会把账算混。
• 比喻：就像在计算“因为吃冰淇淋而中暑”的人数。如果你不扣除“因为天气热而中暑”的基数，你就会高估冰淇淋的罪过。
• 结果：研究人员发现，是否扣除“季节性”因素，对流感 A 和 RSV 的估算结果影响巨大。如果不扣除季节性，RSV 的杀伤力看起来更明显；如果扣除，它看起来就弱很多。这提醒我们：统计方法的选择，就像相机的滤镜，会改变我们看到的世界。

4. 总结与启示

• 新冠的阴影未散：尽管我们有了疫苗和药物，新冠病毒在过去几年造成的死亡人数，远远超过了流感。它不仅仅是一个“暂时的紧急状态”，而是一个持续存在的长期威胁。
• 流感依然重要：虽然新冠更可怕，但流感依然是每年冬季的主要杀手，不能掉以轻心。
• RSV 被低估了：我们需要更关注 RSV，特别是对于老人和儿童，它造成的死亡可能被官方数据低估了。
• 未来的方向：这项研究告诉我们，不能只看死亡证明上的字，要用更聪明的数学模型去挖掘真相。只有这样，我们才能在未来的疫苗研发和公共卫生政策上，把钱花在刀刃上。

一句话总结：
这篇论文告诉我们，新冠病毒是一个比流感强大得多的“超级反派”，即使在大流行结束后，它依然在悄悄夺走生命；而我们要想看清这些病毒的真实面目，就需要像侦探一样，用更精密的数学工具去剥离那些干扰视线的“季节性迷雾”。

技术摘要

这是一份关于《安大略省呼吸道病毒相关的人口归因死亡率》（Population Attributable Mortality Associated with Respiratory Viruses in Ontario）研究的详细技术总结。该研究由多伦多大学 Dalla Lana 公共卫生学院等机构的研究人员完成，旨在通过回归模型量化主要呼吸道病毒对人口死亡率的贡献。

1. 研究背景与问题 (Problem)

• 核心问题：呼吸道病毒（如流感、RSV、SARS-CoV-2）是人口死亡的主要原因，但传统的死因编码（Cause-of-death coding）往往低估了它们的实际影响。
• 研究缺口：需要一种不依赖死因分类准确性的方法来估算病毒在人群层面的死亡率负担。此外，在新冠大流行后，需要评估呼吸道病毒死亡率是否已回归到大流行前水平，以及不同建模选择（如季节性调整）如何影响估算结果。
• 研究目标：
  • 估算 1993 年至 2025 年间，安大略省（加拿大）流感 A/B 型、呼吸道合胞病毒（RSV）和 SARS-CoV-2 的人群归因分数（PAF）。
  • characterize 大流行过渡期（从大流行紧急状态到后紧急状态）病毒归因死亡率的时空变化。
  • 评估建模选择（特别是是否包含傅里叶季节性调整项）对病毒归因死亡率估算的影响。

2. 方法论 (Methodology)

• 数据来源：
  • 死亡率数据：来自加拿大统计局（1991-1993）和安大略省死亡登记处（1994-2025年2月），按月聚合。
  • 病毒监测数据：来自 FluWatch（流感监测网络）的流感 A/B 和 RSV 检测阳性率；SARS-CoV-2 数据结合了调整后的病例数（2020-2022）和检测阳性率（2022-2025）。
  • 人口数据：来自加拿大统计局。
• 统计模型：
  • 使用**负二项回归模型（Negative Binomial Regression）**拟合月度全因死亡率数据。
  • 协变量：包括病毒循环指标（阳性率或病例数）、长期趋势项（线性和二次项）、人口偏移量（log-offset）。
  • 季节性调整：主要模型包含**快速傅里叶变换（FFT）**的正弦和余弦项以处理季节性周期；敏感性分析则去除了这些项，以观察病毒预测因子是否与季节性项竞争解释力。
  • 时期划分：
    • 大流行前：1993 年 1 月 – 2020 年 2 月。
    • 大流行期：2020 年 3 月 – 2025 年 2 月（进一步细分为 PHEIC 期间和后 PHEIC 期间）。
• 归因分数计算：
  • 通过生成反事实预测（将病毒系数设为零）来计算 PAF：$PAF = (O - E) / O$，其中$O$为观察到的预测死亡数，$E$ 为去除病毒暴露后的预期死亡数。
  • 使用 punaf 命令计算置信区间。
• 敏感性分析与元分析：
  • 排除大流行早期（2020 年 3-6 月）以评估其对结果的影响。
  • 对 PHEIC 期间（2020.3-2023.4）和后 PHEIC 期间（2023.5-2025.2）进行分层分析。
  • 使用随机效应元分析（DerSimonian-Laird 法）汇总不同模型设定下的 PAF 估计值，并评估异质性（$I^2$）。

3. 关键发现与结果 (Key Results)

A. 大流行前时期 (1993–2020)

• 流感 A：是唯一与死亡率显著正相关的病毒。在包含季节性调整的模型中，PAF 为 1.8% (95% CI 1.4–2.3%)。
• 流感 B：未检测到显著的死亡率影响。
• RSV：在季节性调整模型中显示为负相关（非显著），但在未调整季节性的模型中显示为正相关（PAF 1.9%）。这表明季节性调整项可能掩盖了 RSV 的真实效应。

B. 大流行及后大流行时期 (2020–2025)

• SARS-CoV-2：是大流行期间死亡率的主要驱动因素。
  • 在结合整个大流行期（2020.3–2025.2）的模型中，SARS-CoV-2 的 PAF 为 6.1% (95% CI 4.2–8.0%)。
  • 这一负担是大流行前流感 A 负担的约 4 倍，尽管期间广泛实施了疫苗接种、抗病毒治疗和非药物干预（NPIs）。
  • 模型估算的 SARS-CoV-2 归因死亡数与安大略省公共卫生部门报告的 COVID-19 死亡数高度吻合，验证了模型的有效性。
• 后 PHEIC 时期 (2023.5–2025.2)：
  • SARS-CoV-2 的 PAF 进一步上升至 9.8% (95% CI 1.1–17.7%)，表明即使在紧急状态结束后，其死亡率负担依然显著。
  • 流感和 RSV 的归因分数未显著偏离大流行前基线。

C. 建模选择的影响

• 季节性调整（FFT）的敏感性：
  • 去除傅里叶项后，流感 A 的 PAF 从 1.8% 上升至 2.9%。
  • RSV 的效应从负相关转变为显著正相关（PAF 1.9%）。
  • 元分析显示，流感 A ($I^2=92.8\%$) 和 RSV ($I^2=89.1\%$) 在不同模型设定下存在高度异质性，而 SARS-CoV-2 的异质性极低 ($I^2=5.5\%$)，表明其信号稳健。

4. 主要贡献 (Key Contributions)

1. 量化比较：首次利用长时序数据（30 多年）量化并比较了 SARS-CoV-2 与季节性流感在人群层面的死亡率负担，发现前者是大流行前流感的 3-4 倍。
2. 后 PHEIC 评估：提供了关于大流行紧急状态结束后（Post-PHEIC）呼吸道病毒死亡率负担的早期证据，指出 SARS-CoV-2 的负担并未消退，甚至可能上升。
3. 方法论洞察：揭示了在时间序列死亡率模型中，季节性调整项（如傅里叶变换）与具有强季节性特征的病毒预测因子之间存在竞争关系。对于 RSV 和流感，去除季节性调整能更直接地捕捉病毒效应，但也可能混淆季节性因素；保留调整项则提供保守估计。
4. 数据验证：模型估算的 SARS-CoV-2 死亡数与官方报告高度一致，证明了基于全因死亡率和病毒监测数据的回归方法在评估病毒负担方面的有效性。

5. 意义与结论 (Significance)

• 公共卫生政策：研究结果表明，尽管有疫苗和药物，SARS-CoV-2 对人口健康的威胁仍远大于季节性流感。这强调了在紧急状态结束后，仍需维持对 SARS-CoV-2 的监测和预防策略。
• 预防策略：流感 A 仍是重要的死亡原因，需持续进行季节性疫苗接种；RSV 在特定模型下显示出约 2% 的负担，且主要影响脆弱人群，提示应加强针对老年人和婴儿的 RSV 预防（如疫苗和单克隆抗体）。
• 方法论启示：在量化病毒归因死亡率时，建模选择（特别是季节性调整）对结果有重大影响。对于季节性极强的病毒，需谨慎解释模型系数，并考虑多种模型设定以获取稳健的估计。
• 总体结论：呼吸道病毒（特别是 SARS-CoV-2）造成的死亡率负担在“后大流行”时代并未回归到大流行前水平，持续的投资于监测和分析对于指导免疫策略至关重要。