扩散信息、交通管制、自我隔离,哪个更能遏制病毒传播?
2020-01-31 18:31

扩散信息、交通管制、自我隔离,哪个更能遏制病毒传播?

本文来自微信公众号:集智俱乐部,作者:郭瑞东


新型冠状病毒感染的肺炎疫情在持续扩散,新闻各类报道的扑面而来显然已经造成了读者的信息过载。本文尝试对信息与行为这一跨学科领域进行分析,并就此问题进行总结与展望。


随着近期冠状病毒的蔓延,各类信息如潮水般涌来,而过多资讯则会让读者感到信息过载(information overload)。过载的信息中大多带有情绪指向,会让我们感到同情疲劳。相信你经过连续多天的疫情信息轰炸,已经进入了信息过载阶段。


但关于疾病传播,信息与行为之间的关系,还有很多研究值得深入探索。疾病与行为的相关研究,称为疾病—行为动力学(disease–behavior dynamics),是一个涉及到社会科学、复杂网络、行为科学、传染病学、健康心理学的交叉研究领域。本文将概述相关领域的多篇论文,并以此展望论文背后还存在哪些值得探索的问题。


1. 社交媒体如何影响疫情:信息传播和疾病传播的关系


在当前众多预测患病人数的模型中,大多没有考虑到社交网络上疯传的防控信息会对疾病传播有何影响。而这导致的结果是,预测模型考虑的都是在不采取干预措施前提下的疾病传播动力学。这既会导致对真实患病人数的不准确估计,也无法对疾病管控措施提供指导——最应该才去实施的是什么措施。


图1:疾病传播与行为之间相互作用示意图


2015 年一篇名为《Coupled disease–behavior dynamics on complex networks:A review》的综述,指出了疾病动力学与人类行为动力学之间的反馈回路。如上图所示,疾病的发展,会影响人们对疾病风险的认识,而人的行为通过社交压力和社会连接的调整,又影响着疾病的传播。疾病传播和人类行为,两者由此相互影响。


在对社交行为建模时,最简单的是基于规则的建模方法(rule-based modeling),例如设定随着时间的推移或人们对疾病的进一步认识,疾病的传播速率会变低。更复杂的模型是由Hagerstrand在1967年提出平均信息域(mean information field),该模型考虑了人的行为在传播过程中,是否采取某个行为,取决于周围的人采取该行为的比例是否达到阀值。其他的建模方法包括基于主体的建模(agent based modeling),网格网络(lattice network)


对“疾病-行为动力学”领域更具体的建模参考:


论文题目:

Coupled disease–behavior dynamics on complex networks:A review

论文地址:

https://www.sciencedirect.com/science/article/pii/S1571064515001372

论文题目:

Coupling infectious disease, human preventive behaviour, and networks - A conceptual framework for epidemic modeling

论文地址:

https://www.sciencedirect.com/science/article/abs/pii/S0277953611006551


2. 疾病信息也有“过犹不及”:过量信息会妨碍疫情控制


加深对疾病的认识,能够避免疾病在网络中的进一步传播,这是[3-7]的文献所得出的共同结论。但还有一个反直觉的发现是,对疾病的认识水平,存在“过犹不及”的现象。


在2020年初的一项新研究中[1],作者将对疾病的认识分为全局性的和地区性的,在模拟预测中发现:对于本身传播能力中等的疾病,提高大众对疾病的认知,能够降低最终感染者的比例。但同时该文还指出,并不是随着对疾病的认识提高,感染者比例就会随之下降,而是存在一个最优的疾病认识水平,此时的感染者比例最低。在基于谷歌流感搜索量真实数据的论文[2]中,也有类似的研究结论。


对疾病的进一步认识,还能够减少疾病流行的时间,在[8]中,针对三种不同的网络结构(随机网络Ge,小世界网络Gw,无标度网络Gs),基于SIR模型,研究了疾病传染率与大众对疾病的认知程度之间的关系。


 图 2:不同网络结构下,感染者比例随时间的变化[8]


如图 2 所示,研究者在不同的网络结构的模拟数据中,对比了对疾病进一步认知后,疾病传染率随时间变化的程度。可以发现,加深大众对疾病的认知,虽然使得感染率的峰值到达得更晚(传播时间更久),但感染率峰值会显著降低。基于这项研究结论可以推出,随着对疾病的认识,患病人数增长的峰值,虽然会来得更晚一些,但由于前期传播率的降低,会导致总的患病人数的降低。


3. 在疾病传播模型中引入潜伏期因素


考虑到一些病毒存在较长的潜伏期,且轻症病患缺少明显症状,只使用传统的SIR模型,会难以考虑到潜伏病患以及轻症患者带来的疾病传播。研究者[9]提出了 SAUIS 模型,引入了两个新的状态 U 和 A 。其中 U 代表无明显临床症状,有传染性的患者,A代表该患者是否知道自己患病。


图 3:考虑病毒潜伏期的疾病传播SAUIS模型[9]


如上图所示,在 SAUIS模型下,还可以探讨疾病变异后,造成的传播率beta有所不同时,对疾病的传播密度的影响。


图 4:疾病诊断和无明显症状患者比例与疾病最终传播密度的关系示意图[9]


这项研究展示了不同的病患的诊断比例(图 4 左)和病患中无明显症状的比例(图 4 右)所带来的影响。研究者发现,对无典型症状疾病的诊断比例越高,疾病密度(图中纵轴)越低,而无明显病患的比例越高,疾病的密度越高,且差异较大。图中的横轴指疾病传播率(variability measure)越大,疾病的传播密度越大。


该模拟研究还发现,在估计对当前患病人数时,需要考虑无明显症状患者的比例,以得出更准确的估计。在另一个相关的研究[10]中,研究者提出了 UAU-SEIS 模型,在多元网络(multiplex network)上,考察了无典型症状患者对疾病传播动力学的影响。


4. 降低疾病传播的措施很多,如何评估影响大小


相比2003前的 SARS 疫情,当前的交通吞吐量和线路交叉密集程度,有了显著提升。那么通过切断远距离客运交通,能在多大程度上,避免疾病的进一步传播?这是论文[11]研究的问题。


图 5:疾病传播网络示意图[11]


研究者提出了考虑节点异质性的网络模型,图中节点间连接边的粗细代表出行到达所需的时间不同。


而通过模拟可以得出,针对不同传播率的疾病,各自存在着一个临界点,当小于这个临界点之后,相变(phase transition)会使疾病从传播状态迅速变为停止状态。


图 6:SIR模型中康复人群的比例与切断交通的程度间的关系示意图[11]


图中的蓝色和红色代表两种不同的疾病传播率(蓝色较大),该研究带来的启示是切断远程交通,确实是有效果的,且有限度的控制就足够了。


针对陌生的疾病,摸着石头过河是符合实事求是精神的,也就是采取随机化的实验,去尝试哪种方法相对更好。论文[12]探讨了如何设计并评估通过随机化实验,降低疾病传播性的方法。该文指出,直接观察随机实验产生的直接影响,无法对干预方案的效果(降低疾病传播率)进行客观的评价。


5. 总结与展望


疾病的传播带来的信息流,在某些情况下,会对疾病的传播提供负反馈,从而降低疾病传播的效率;而在某些情况下,由于恐慌和群体思维,会导致无明显症状的患者的长距离迁徙,从而带来疾病传播的正反馈,在一段时间内加剧疾病的爆发。


这正是为何在世界卫生组织的新闻发布会上,相关专家指出:封城对控制疾病的传播有多大作用,是相对复杂的,值得考量的,目前难以进行评估。


本文概述的模型并不完全,希望读者能提供更多的相关文献,以帮助相关研究者,更好地对当前的疾病传播进行建模,对控制措施的影响和可行性进行建模。欢迎留言分享。


参考文献:

[1] Li, M., Wang, M., Xue, S. and Ma, J. The influence of awareness on epidemic spreading on random networks. Volume 486, 7 February 2020, 110090.

[2] Wang, W., Liu, Q., Cai, S., Tang, M., Braunstein, L. and Stanley, H. Suppressing disease spreading by using information diffusion on multiplex networks. 2016, Scientific Reports volume 6, Article number: 29259.

[3] Franco Bagnoli, Pietro Liò, and Luca Sguanci. Risk perception in epidemic modeling. 2007, Phys. Rev. E 76, 061904 . 

[4] Ferguson, N. Capturing human behaviour. 2007, Nature 446,733-733.

[5] Kitchovitch, S., Lió, P., 2010. Risk perception and disease spread on social networks. 292 Procedia Computer Science 1, 2345-2354.

[6] Hiroshi Nishiura. Time variations in the transmissibility of pandemic influenza in 308 Prussia, Germany, from 1918-19. Theoretical Biology and Medical Modelling 4, 1-9.

[7] Meloni, S., Perra, N., Arenas, A., Gómez, S., Moreno, Y. and Vespignani, A. , 2011. Modeling human mobility responses to the large-scale spreading of infectious diseases. Scientific Reports 1, 62.

[8] Azizi, A., Montalvo, C., Espinoza, B., Kang, Y. and Castillo-Chavez, C. Epidemics on networks: Reducing disease transmission using health emergency declarations and peer communication.,Volume 5, 2020, Pages 12-22.

[9] Zhang, H., Xie, J., Chen, H., Liu, C. and Small,. Impact of asymptomatic infection on coupled disease-behavior dynamics in complex networks. 2016. EPL (Europhysics Letters), Volume 114, Number 3.[10] Shi, T., Long, T., Pan, Y., Zhang, W., Dong, C. and Yin, Q. Effects of asymptomatic infection on the dynamical interplay between behavior and disease transmission in multiplex networks. Volume 536, 15 December 2019, 121030.

[11] Perez, I., Trunfio, P., La Rocca, C. and Braunstein, L. Controlling distant contacts to reduce disease spreading on disordered complex networks. 2019. arXiv.org. 

[12] Daniel J. Eck, Olga Morozova, Forrest W. Crawford. Randomization for the direct effect of an infectious disease intervention in a clustered study population. 2018.


本文来自微信公众号:集智俱乐部,作者:郭瑞东

本内容为作者独立观点,不代表虎嗅立场。未经允许不得转载,授权事宜请联系hezuo@huxiu.com
如对本稿件有异议或投诉,请联系tougao@huxiu.com
正在改变与想要改变世界的人,都在 虎嗅APP
赞赏
关闭赞赏 开启赞赏

支持一下   修改

确定

相关推荐