Disease spread in compartmental spaces: Markov and semi-Markov population models

在传染病研究领域，科学家们长期以来一直依赖数学模型来预测疾病如何在人群中传播。传统的做法通常假设人们是随机混合在一起的，就像水杯中旋转的墨滴一样，每个人都有平等的机会遇到其他人。然而，现实世界要复杂得多。人们在特定的环境中移动——办公室、学校、医院和购物中心——在不同的房间里停留不同时长，并且只与周围的一部分人发生互动。这种空间组织性，结合人们不断进入和离开这些空间的特性，创造了一个复杂的接触网络，而简单的模型往往会忽略这一点。理解疾病如何在这些封闭、隔间的空间内传播，对于设计有效的公共卫生策略至关重要，尤其是在通风和共享空气在传播过程中发挥重要作用时。

来自墨西哥的一个研究小组开发了一种新的建模方式来应对这种复杂性，他们超越了随机混合的假设，创建了一个能够解释建筑布局以及其中人员运动的框架。他们的研究成果发表在一篇研究论文中，引入了两种互补的数学方法，用于追踪感染如何在相互连接的房间网络中传播。第一种方法将环境视为一个封闭系统，其中固定数量的人在房间之间移动，但没有人进入或离开。第二种更灵活的方法将环境视为一个开放系统，允许人们从外部到达并在任何时间离开，同时还考虑了人们在每个房间停留的时间并不相同。通过将这些运动模式与一种特定的感染机制相结合，研究人员能够计算出在任何给定时刻健康人数、携带者人数和感染者人数的预期值。

研究人员将人群分为三个不同的群体，以更好地理解感染的流动。第一组由易感个体组成，他们很健康，但可能会感染疾病。第二组由携带者组成，他们已经携带了传染性病原体，并可以将其传播给他人。第三组包括他们在系统中期间变得感染的人。该模型的一个关键特征是它区分了携带者和新感染者。研究人员假设，一旦一个人在系统内受到感染，他们不会立即变得具有传染性；相反，他们在被观察期间会保持在“感染”类别中，而不会进一步传播疾病。这种区分使得模型能够专注于从携带者向易感人员传播的过程，而不是二次感染的连锁反应。

为了模拟人们的移动，研究人员使用了两种不同的数学工具。在第一种情景中，他们模拟了一个总人数保持不变的封闭建筑。人们根据固定的概率在房间之间移动，就像玩家掷骰子来决定下一个进入哪个房间的游戏一样。在这个封闭系统中，研究人员发现他们可以准确预测每个房间的平均人数以及感染随时间传播的情况。他们通过使用成千上计的虚拟人进行计算机模拟来验证这些预测。结果显示，随着模拟中人数的增加，实际结果与数学预测几乎完美匹配，从而证实了他们关于人群平均行为的公式是正确的。

第二种情景解决了大多数建筑并非封闭系统这一现实问题。人们从门口走进来，从出口离开，而且他们在房间里停留的时间差异很大。为了捕捉这一点，研究人员使用了一种半马尔可夫模型（semi-Markov model），该模型允许更真实的运动模式。在这个框架下，一个人在房间里停留的时间不是固定的标准平均值；相反，它可以遵循任何分布，反映出有人可能会在候诊室逗留一小时，而有人则会匆匆穿过走廊仅用几秒钟。该模型还包括“吸收态”（absorbing states），代表外部世界。一旦一个人到达吸收态，就意味着他们离开了系统且不会返回。这种设置使研究人员不仅能计算有多少人在内部，还能计算他们停留多久以及有多少人在健康、携带病毒或已感染的状态下离开。

研究人员将他们的开放模型应用于一个涉及两个房间和两个入口及出口的具体设施案例。他们使用标准的统计分布对健康人和携带者的到达进行了模拟。通过运行这些模拟，他们能够确定以每种健康类别离开建筑的人数。他们的发现揭示了人员流动与疾病传播之间的明确关系。随着进入系统的携带者人数增加，离开系统时的健康人数减少，这表明系统内部发生了更多的感染。相反，随着感染进入率的上升，离开时处于感染状态的人数也会增加。

当研究人员比较一个具有单一入口和出口的设施与一个具有多个入口和出口的设施时，出现了一个特别有趣的发现。他们发现建筑物的配置显著影响了结果。在具有单一入口和出口的模型中，离开系统的健康人数较低，而离开系统的感染人数较高，这与具有多个入口和出口点的模型相比。这表明，拥有更多进入和离开空间的方式——这可能看起来有悖直觉——实际上可以通过改变运动模式并减少人们与携带者近距离接触的时间，从而减少整体感染人数。

研究得出结论，通过将空间的物理结构与人员运动及疾病传播机制相结合，可以创造出一个更准确的图景，描述疫情如何演变。研究人员推导出的数学表达式提供了一种方法，可以在任何时间点计算易感者、携带者和感染者的预期人数。这些工具可以帮助公共卫生官员和决策者了解建筑的哪些部分或哪些运动模式构成了最大的风险。虽然目前的工作侧重于理论框架和模拟，但作者建议，这些模型最终可以应用于现实环境，利用关于人们如何移动的实际数据，来设计更好的干预措施，并减少在复杂、结构化空间中的传染病传播。