协作建模是改善疫情应对的关键

ZOY

在 COVID-19 大流行期间，建模和预测通过提高态势感知、提供对关键病毒特征的估计和优化缓解策略，为地方、州和国家层面的公共卫生响应提供了信息。
虽然预测工作通常是公众最明显的建模输出，但由于媒体经常强调预测，其他建模也在大流行中发挥了重要作用。在 PNAS 中，Fox 等人。详细介绍了一项重要且有影响力的协作建模工作，该工作在 COVID-19 大流行期间支持德克萨斯州奥斯汀的实时公共卫生决策。Fox等人描述的努力。因其细致准确的建模以及与奥斯汀市官员建立在信任关系上的深入合作而著称。
虽然这项工作堪称典范，并有望成为未来类似合作工作的典范，但本文也提出了有关如何扩大这种工作规模的重要问题。理想情况下，许多城市，包括那些没有幸在城市内或附近拥有出色的学术模特团队的城市，都可以利用模型所提供的洞察力。州和国家公共卫生机构能否支持可扩展的建模工作，以便每个地方和州政府都可以利用来自强大建模工作的广泛见解？此外，在这样做的过程中，我们能否通过成功使用在大流行之前和期间萌芽的协作建模“中心”来减少此类工作对单个建模组的依赖 和/或通过支持公共卫生机构内建模能力的发展？

Fox 等人描述了许多明显的协作建模成功。他们描述了实时建模的明智使用，其输出是根据与城市官员的对话针对特定需求量身定制的。从一开始，该小组就关注医院系统的指标（新入院人数、使用的所有医院床位和使用的重症监护病房 [ICU] 床位），这是医疗系统压力的所有关键指标。重要的是，他们显示了非常明确的证据，表明住院数据与近期医院和 ICU 床位的使用密切相关（以一周或两周为规模；参见参考文献的图 1B。2的图 1B）。毫不奇怪，并且可能由于病例报告和就医趋势的变化，病例数据显示出显着较低的相关性，因此被视为未来住院的不太有用的“领先指标”。正如作者总结的那样，“COVID-19 入院提供了更准确和及时的指示，表明最近的传播和即将到来的医疗保健使用。”

本文的另一个显着优势是作者对其模型预测的仔细和诚实的评估。福克斯等人。在他们的模型提供准确预测的地方适当地声称成功，但也指出他们的模型显示的准确性低于预期的地方。作者采取的一个重要的外部验证步骤是将他们对累积感染率的模型估计结果与独立数据源进行比较，即疾病控制和预防中心 (CDC) 发布的血清学研究的感染率估计值。虽然这不是一个完美的真实数据源，因为 CDC 的估计有很多不确定性并且可能有自己的偏差，但它确实为模型提供了外部“健全性检查”。

建模也不仅限于预测建模。德克萨斯大学奥斯汀分校 (UT) 模型通过实时估计繁殖数量（衡量病原体传播速度的指标），向政策制定者提供了有关政策可能改变方向的即时反馈奥斯汀的流行病。此外，拥有一组数据处理和建模专家来监测嘈杂的大流行数据，使政府能够在面对不可预见的中断或数据异常时更有信心地开展工作，例如 2021 年初德克萨斯州不寻常的冬季冻结事件，这就在大量积压案件被报告之后（参考文献2的图 2F））。这类异常在许多地方都很常见，拥有一个专门的小组来监控和调整数据以解决此类异常对于在这​​些情况下正确解释数据至关重要。

总体而言，这些模型“为许多对时间敏感的政策决策和响应行动提供了信息，包括当地医院的资源规划、对州和联邦机构的紧急请求以提供额外的激增资源、启动和拆除替代护理站点以提供额外的医疗保健能力，以及奥斯汀地区 COVID-19 警报阶段的许多变化，以沟通和管理不断上升和下降的风险”显示了这项努力在让奥斯汀将最有力的证据纳入其决策制定中所发挥的重要性。

还有很多东西要学

展望未来，了解哪些数据源很重要并有助于提高实时模型准确性是流行病建模最重要的研究方向之一。作者展示了仔细分析的结果，展示了结合移动性数据如何提高模型的准确性。这些结果很有用，但也不应被过度解释。作者指出，“我们的流动性驱动机制模型提供了围绕大流行激增的准确性和精确性的最佳组合”，部分原因是“从我们的模型中去除流动性协变量显着增加了预测的不确定性”。然而，需要进一步的研究来验证这一结果是否适用于其他情况。例如，其他建模框架可能比本文中使用的模型更好地解释不确定性，这意味着添加移动数据可能不会增加实质性价值。此外，移动性数据作为预测的有用指标的程度可能会因上下文而异。例如，在疫苗接种率高的地方（这项研究主要是在广泛接种疫苗之前进行的）或口罩佩戴率也很高的地方，与这里看到的情况相比，流动性的作用可能会降低。事实上，文献报道了流动性与 COVID-19 传播之间的关联减弱。尽管有些人已经开始研究哪些新数据流可能提供信息的问题，但需要更多的研究来确定最有价值的实时数据流是什么。

Fox等人的另一个领域。介绍了有价值的想法，但最终给我们留下了悬而未决的问题，即围绕不同政策对 COVID-19 传播的因果影响以及随后的病例、住院和死亡率趋势。作者恰当地指出，他们“对奥斯汀经历的回顾性分析提供了有关 COVID-19 政策对风险影响的轶事”，并注意不要就特定政策或其他动态对 COVID 的影响做出可能被因果解释的陈述-19 传输。在 COVID-19 大流行两年后，这一研究领域的研究仍然不足，对不同干预措施或暴露对 COVID-19 传播的影响进行正式因果推理分析的研究数量有限。

相关地，即使事后看来，我们解释为什么病例和住院曲线遵循他们所做的特定路径的能力仍然令人沮丧地有限。尽管在过去一年中，根据新出现的新变种，病例的新上升在一定程度上是可以预测的，但对于为什么在传播高峰的重要时刻（例如，1 月份的快速下降趋势）比率迅速下降的原因，并不总是有明确的解释。 2021 年或 2022 年 1 月在美国的许多地方）。

让模型适用于所有人

随着此类与地方政府深度合作的稳健建模工作变得越来越普遍，我们必须学习如何复制可以轻松扩展的部分工作，以便更多的市政当局和司法管辖区能够从这些建模工作中获益。尤其是当政府和官员最初学习如何将建模融入他们的工作时，很难取代关系中的“人”元素，随着时间的推移，信任会逐渐建立起来。

让 UT 团队完成的工作的各个方面更广泛可用的一种途径是通过“建模中心”方法，该方法协调和汇总来自多个建模团队的模型输出，并同时为多个位置生成结果。自 2020 年 4 月和 2020 年 12 月以来，为美国决策者提供支持的两个建模中心（美国 COVID-19 预测中心和情景建模中心）分别提供了定期建模更新，这些更新综合了来自多个组的结果。（我们，这篇文章的作者，指导美国 COVID-19 预测中心，而 UT 团队为预测中心贡献了预测。）虽然这些结果是同时为多个位置生成的，但不能单独定制为了满足特定司法管辖区的特殊需求，例如来自 UT 的努力，仅仅存在这样的资源这一事实就证明了美国疾病预防控制中心工作人员科学家的远见，他们已经工作了近十年来为每年的流感流行建立类似的系统。

然而，州和地方公共卫生机构将继续面临建模可能提供有价值的见解但集中建模工作无法直接解决的问题。在这些机构内建立更多的建模能力将很有价值，这样他们就可以解决这些问题，而不必依赖外部建模小组。同样，疾病预防控制中心和州和地区流行病学家委员会等国家组织可以在协调讨论中发挥作用，以分享有关制定和使用预测的最佳实践。

新希望

总之，Fox 等人的论文。在大流行危机期间实时开展有意义的协作科学设置了非常高的标准。确保此类努力的成果可以提供给任何需要它们的地方管辖区，这将需要继续投资于数据现代化、建模技术和劳动力发展。正如，如果不是更重要的话，它需要建模小组（学术界和工业界）和地方政府之间的合作，以确保结果是有意义的，并且可以很容易地纳入决策。这些关系必须在“和平时期”培养，而不仅仅是在下一次流行病或大流行危机中。无论是美国疾控中心，它支持协作建模中心，并于 2021 年在其数据现代化计划的同时建立了一个新的预测和分析中心，欧洲疾病预防和控制中心在过去 2 年也支持建模中心，正在投资努力实现以下目标：可以帮助实现这一目标。最终，这一领域的成功将结合从 Fox 等人描述的努力中吸取的经验教训。通过建模中心建立的可扩展技术框架。通过这种方式，将稳健的建模输出集成到本地决策中将有望成为常态，而不是例外。