UNIVERSAL EPIDEMIC SCALING: INFLUENZA AND COVID-19

追踪病毒的传播，往往感觉就像是在雨中试图绘制一场风暴的地图。长期以来，科学家们一直依赖于详细的模型，去统计每一个人、每一次互动以及疾病在社区中传播方式的每一次变化。这些传统方法在应对单一感染波时效果良好，但当规则发生变化时，它们就会显得力不从心。当出现新的变异株、当人们获得免疫力、或当公共卫生措施发生转变时，复杂的个体行为网络变得难以实时更新。这让卫生官员面临一个关键问题：如何在不迷失在数十亿个个体数据点所产生的噪音中，预测下一波住院人数的激增？答案可能在于退后一步，不再将流行病视为个体的集合，而是将其视为一个单一的、流动的系统。

一项新研究提出了一种通过改变观察尺度来简化这种混乱的方法。研究人员不再追踪个体间的传播，而是将一波疫情视为一种大规模的传输过程，类似于水流通过管道或风吹过地表景观的方式。在这种视角下，仍可能感染疾病的人不再被逐一计数，而是被归入一个单一且不断变化的易感群体中。每当疫情的性质发生变化（例如新季节开始或新变异株到来）时，这个“有效易感池”都可以被重置。通过关注这一整体群体的流动而非个体的行为，研究人员创建了一个利用一组简化的宏观规则来描述整个流行病的过程。

该团队通过研究两种截然不同的呼吸道威胁——季节性甲型流感和引起新冠肺炎（COVID-19）的 SARS-CoV-2 病毒，测试了这种方法。他们将分析重点放在罗德岛州，因为该地区的统计人口和地理环境足够稳定，可以公平地比较这两种疾病。尽管这些病毒在生物学特性和触发的免疫反应方面表现不同，但数据揭示了一个令人惊讶的模式。当研究人员剥离掉复杂的细节后，这两场流行病的轨迹遵循着相同的底层形态。感染波的上升与下降遵循着同一种通用的数学形式，这表明不同疾病之间的流行病学宏观机制比此前认为的更为相似。

这种方法为管理医疗资源提供了一个实用的工具。通过使用一组简化的方程，研究人员可以计算出医院床位的峰值需求，而无需运行大规模、耗时的计算机模拟。该模型考虑了疫苗接种运动如何作为一种同步的制动机制来减缓传播，并包含了一个过滤过程，以消除因人们在康复后仍携带病毒而产生的干扰。其结果是，能够对医院系统何时达到极限做出清晰的解析式预测。虽然这项研究证实了这种宏观视角对于这两个特定病毒及某一特定地区行之有效，但作者指出，仍需在不同人群和病原体中进行进一步测试，以观察这种缩放规律是否具有普适性。目前来看，它提供了一个观察流行病全貌的强大新视角，将纠缠不清的数据网转化为清晰的决策路径。