利用流感数据的新模型对COVID-19的传播进行了高度准确的预测

COVID-19不是流感。由新型SARS-CoV-2病毒引起的疾病比我们一生中遇到的大多数流感疫情更具传染性和致命性，科学家和医生仍在学习有关这种疾病及其长期影响的新知识。但COVID-19和流感确实有一些共同点——它们都是由主要感染上呼吸道系统的病毒引起的，都是通过飞沫、污染物和接触传播的。

因此，对于Ishanu Chattopadhyay博士来说，考虑这些相似性是否可以用来帮助预测COVID-19的传播是有意义的。Chattopadhyay是芝加哥大学的医学教授，他的博士后学者Yi Huang博士利用他们之前的流行病建模经验和机器学习方面的专业知识来分析过去几年的流感流行。他们开发的新风险测量方法——被称为通用类流感传播(UnIT)得分——已被证明比目前描述的最佳模型更能预测每周病例数。这项研究发表在10月14日的《科学》杂志上PLoS计算生物学。

该论文的资深作者Chattopadhyay说:“甚至在COVID-19之前，我们就在研究流行病的总体模型。”“大流行带来了多重挑战。一个是考虑新的毒株是如何出现的，以及病毒是如何形成的，另一个是预测病例数。了解这种疾病的来源非常重要，但一旦它成为大流行，重要的是能够预测它将如何在人口和城市中传播，以便制定公共卫生政策。”

Chattopadhyay和Huang抓住了这个机会，利用他们的技能帮助建立全国范围内的流行病模型，当他们查看现有的模型时，他们注意到一个明显的缺失。

Chattopadhyay说:“几乎你能想到的每一种方法都已经在使用了。”“但人们似乎应该关注但没有关注的一件事是:COVID-19和季节性流感趋势之间是否存在相似之处?这些是不同的疾病，但它们的传播方式有相似之处。这方面的一个迹象是，我们采取的遏制COVID-19传播的措施也遏制了流感的传播。所以，问题是，我们真的能利用流感在美国传播的模式来为COVID-19传播的模型提供信息吗?”

研究人员使用了10年来全国流感住院的数据来检查流感患者每周的趋势，使他们能够确定感染集群的开始位置以及它们每年在全国范围内的传播方式。利用这些数据，他们能够得出UnIT分数。结合已知在COVID-19等疾病传播中重要的其他变量，例如社区内的人口统计细节，该模型产生的预测结果平均比疾病预防控制中心建模中心列出的任何其他模型都更准确。

“我们的模型相对简单，与许多其他用于预测病例数和死亡的模型相比，变量要少得多。然而，在整个大流行的时间轴上，我们平均击败了其他更复杂的模型，”第一作者黄说，他现在是布鲁克海文国家实验室的副研究科学家。“这告诉我们，我们可以从已知的东西中学到有价值的东西，比如流感流行他可以将历史知识与统计学原理结合起来，提出一种新的、有意义的方法来预测真正未知的事物。”

这些结果不仅对了解正在进行的COVID-19大流行很重要，而且可以扩展到帮助预测未来的大流行。

Chattopadhyay说:“如果我们在这里看到这样的准确性，那么任何以这种方式传播的呼吸系统疾病——我们未来看到的任何类似的流行病，我们可能都可以应用同样的工具。”随着人口的增长和环境的变化导致更多的动物/人类接触，许多专家认为，像这样的大流行事件可能会变得更加普遍。能够做到这一点很重要模型流行病是如何传播的，它们的路径将是什么样子，特别是当我们实施疫苗和保持社会距离等干预措施时。能够从我们已经拥有的数据中提取信息是非常有用的——它使我们为下一个做好了更充分的准备流感大流行。"

研究小组开发的算法已在疾控中心共享COVID-19预测中心其他科学家可以在那里访问它，并将其用作疾病预防控制中心对COVID-19的预测模型的一部分。研究人员希望未来的研究可以纳入全球数据趋势，以确定COVID-19趋势在世界各地是否相似，或者是否存在基于人口和气候的差异。

这项名为“美国各县流感样传播的普遍风险表型，以改善各县特定的COVID-19发病率预测”的研究得到了美国国防高级研究计划署国防科学办公室的部分支持。