Incorporating county-level NO2 data into a metapopulation model: a case study of the first COVID-19 wave in Oklahoma

技术摘要：将县级 NO2 数据纳入俄克拉荷马州第一波 COVID-19 元种群模型

问题陈述
尽管流行病学研究已证实二氧化氮（NO2）暴露与呼吸道传染性疾病易感性增加之间存在关联，且生物学证据表明 NO2 会增加感染脆弱性，但目前仍缺乏能够明确整合空气污染物数据的机制性流行病模型。现有模型往往未能考虑到环境因素如何与人类流动性共同直接调节传播动态。

研究方法
作者引入了一种新型的 NO2 与流动性信息驱动的元种群模型，用于分析俄克拉荷马州第一波 COVID-19 疫情。该方法整合了两类主要数据流：

1. 环境数据： 通过一阶参数化将县级 NO2 浓度直接纳入感染率中。
2. 流动性数据： 利用高分辨率流动模式来捕捉异质性的县际连通性。

本研究采用数值模拟来探索不同环境敏感度如何影响疫情轨迹。此外，该模型通过对县级 COVID-19 发病数据进行拟合，并与两种基准模型进行了严格对比：

• 一个针对每个县独立拟合的经典 SIR 模型。
• 一个移除了 NO2 且假设各县感染率均质化的仅含流动性的模型。

模型性能通过标准误差指标（特别是归一化均方根误差，nRMSE）在不同流行阶段进行评估，包括：激增期、高峰期、高峰后及下降期。

关键结果

• 模拟动态： 数值模拟表明，较高的环境敏感度会导致各县疫情爆发更早且更同步；而较低的敏感度则导致轨迹延迟且异步。
• 模型性能对比 SIR： 当拟合历史数据时，所提出的模型在 75% 以上的俄克拉荷马州县级单位中，在所有标准误差指标上均优于独立的 SIR 模型。
• 预测准确性： 所提出的模型在所有流行阶段均表现出卓越的预测能力。其相对于 SIR 模型在 nRMSE 上的胜率分别为：
  • 激增期：59.74%
  • 高峰期：87.01%
  • 高峰后：80.52%
  • 下降期：88.31%
• NO2 的贡献： 对 NO2 成分进行隔离分析显示，它显著提高了高发病率期间的预测精度。具体而言，与仅含流动性的模型相比，加入 NO2 后，该模型在激增期（94.81% 的县）、高峰后（88.31%）以及高峰期（62.34%）阶段提升了县级预测效果。然而，NO2 项在早期和下降阶段并未产生改进。

意义与主张
本文主张，环境暴露（特别是 NO2）可以直接整合到机制性流行病模型的传播结构中。作者断言，这种整合带来了可衡量的预测增益，尤其是在高发病率时期，这证明了将环境数据与流动性模式相结合，比单纯使用流动性数据或标准分割模型能提供更稳健的框架，用于理解和预测流行病动态。