SIRVB 模型：解析新冠疫情动态的有力工具

研究人员为分析新冠动态引入 SIRVB 模型，发现其能有效解释数据，对疫情防控意义重大。

　　# 新冠疫情研究新突破：SIRVB 模型助力疫情动态解析
2019 年末，新冠疫情突如其来，迅速在全球蔓延，给人类社会带来了巨大的冲击。在这场与病毒的较量中，了解新冠病毒的传播规律和疫情的发展动态至关重要。然而，随着疫情的发展，传统的 SIR（易感者 Susceptible、感染者 Infected、康复者 Recovered）和 SIRV（易感者、感染者、康复者、接种疫苗者 Vaccinated）模型在解释疫情后期数据时遇到了困难。为了更准确地分析新冠疫情的动力学特征，美国俄亥俄大学（Ohio University）的研究人员开展了相关研究，其成果发表在《Scientific Reports》上。

在新冠疫情期间，全球累计数亿人感染，数百万人失去生命。早期，流行病学专家利用动力学模型预测疫情发展，如基本再生数R0?，新冠病毒的R0?早期约为 3.0，高于季节性流感 。但由于病毒的新颖性，人们缺乏自然免疫力，在疫苗问世前，社交距离的限制成为减缓病毒传播的重要手段。随着疫情的变化，不同阶段的疫情数据特征复杂，传统模型难以全面解释，因此需要更完善的模型来分析疫情动态，为后续的疫情防控和政策制定提供有力支持。

研究人员在本次研究中，引入了病毒突破感染概念，对现有模型进行更新，提出了 SIRVB（易感者、感染者、康复者、接种疫苗者、突破感染者 Breakthrough）模型。该模型在结构上与 SIRV 模型相似，但增加了一个感染途径，即曾经免疫的人仍可能以一定的突破率b再次感染。研究数据主要来源于 Our World in Data 网站，包括每百万人口的平滑新增检测阳性病例数据和完全接种疫苗的人口数据 。在分析过程中，研究人员使用了 Microsoft Excel 和 MATLAB 等工具，采用向前欧拉法（forward Euler method）进行数据处理和模型计算，以提取实时有效再生数RE?和实时再生数Rt?。

研究结果

1. 模型对比分析：研究发现，假设新冠病毒基本再生数R0?=3.0时，SIR 模型预测在无限制措施下，每百万人口中约 67% 的人感染并康复，45 天可实现群体免疫，但这比实际疫情持续时间快很多，因为实际的社交规定减缓了传播。SIR 模型忽略了疫苗接种的影响，SIRV 模型则忽略了突破感染，这两个模型在疫情后期对Rt?的估计都不合理。而 SIRVB 模型能更准确地反映不同国家和全球平均的疫情情况，但该模型结果存在对收入和大洲的依赖性 。
2. 突破率b的影响：通过改变 SIRVB 模型中的平均突破率b，研究人员发现可以调整平衡态下的Rt?平台值。当b>0.3（30%）时，SIRVB 模型仍适用，且随着b值的增加，Rt?平台值下降，当b=1时，Rt?收敛于RE?。基于文献估计，研究人员选择b=0.2（20%）进行后续分析，该设置下的模型计算结果与文献中R0?≈3的估计值相符。
3. 群体免疫判断：Rt?可用于确认群体免疫状态。研究人员通过分析各国数据，发现Rt?曲线的转折点可作为群体免疫的判断依据。例如法国，其Rt?曲线转折点对应的时间明显早于全球平均时间，这与法国较高的疫苗接种率相符。同时，Rt?与其他时间分辨的原始数据存在合理的相关性和反相关性，如与疫苗接种率呈正相关，与社交严格程度呈反相关等，这些关系进一步解释了疫情防控措施的效果。
4. 不同国家分析：研究人员对 254 个国家的Rt?曲线进行分析，将其分为三组。Group 1 国家（87 个）平均免疫人口相对较低，大多为发展中国家，其Rt?曲线在后期较低，主要原因是检测率和疫苗接种率较低。通过对这些国家数据进行校正，重新计算Rt?值后，发现其曲线呈现出与 Group 2 国家（121 个，大多为发达国家）相似的形状。研究还发现，Group 1 国家达到群体免疫的平均时间比 Group 2 国家短，这可能与两国获得群体免疫的策略不同有关，Group 1 国家主要通过感染，而 Group 2 国家主要通过疫苗接种 。

研究结论与意义

研究表明，SIRVB 模型是解释世界卫生组织（WHO）原始数据中各国新冠疫情动力学数据的简单有效模型。该模型计算出的Rt?值与原始数据中估计的严格指数密切相关，因此在未来疫情爆发时，仅使用严格指数和R0?就有可能计算Rt?值，为研究人员和政策制定者提供有价值的预测。此外，SIRVB 模型可以对低统计数据进行调整，以获取隐藏的Rt?值，有助于中央疾病监测部门了解低统计地区的疫情传播阶段。然而，该模型也存在一些弱点，如假设时间相关变量为常数、未考虑人口内部重叠和输入病例等，这些都可能导致Rt?计算出现误差。尽管如此，SIRVB 模型在疫情研究和防控中仍具有重要意义，为后续疫情防控策略的制定和调整提供了重要的理论依据和参考。

总的来说，这项研究通过引入 SIRVB 模型，为新冠疫情的动力学分析提供了新的视角和方法，有助于更深入地理解疫情的发展规律，对未来疫情的防控和应对具有重要的指导意义，也为后续相关研究奠定了基础。