瑞士废水样本中SARS-CoV-2病毒载量测量的决定因素及其时空变化结构：对未来监测工作的关键启示

《PLOS Water》：Determinants and spatio-temporal structure of variability in wastewater SARS-CoV-2 viral load measurements in Switzerland: Key insights for future surveillance efforts

废水监测系统通过分析瑞士118个污水处理厂23,025份样本，揭示SARS-CoV-2病毒载量受实验室方法差异（最大量级差异达44,000倍）、人口年龄结构（65岁以上比例每增1个标准差病毒载量升11%）及空间相邻效应（贡献36%变异）等多因素影响。贝叶斯模型调整后，病毒载量与区域医院数据相关性从0.55提升至0.77，并识别出稳定地理集群结构。

　　这项研究围绕着废水基流行病监测（WBS）在瑞士2022年至2023年SARS-CoV-2疫情监控中的应用展开。研究团队对118个污水处理厂（WWTPs）收集的23,025个废水样本进行了分析，这些样本由8个独立实验室使用不同的浓度、提取和定量方法进行处理。研究发现，WBS数据的解读常常受到多种因素的影响，包括实验室操作方法、人口特征以及废水在处理过程中的变化。为了提高数据的可靠性和可解释性，研究采用了一种贝叶斯建模方法，通过固定效应和时空随机效应来区分不同来源的变异和偏差。

WBS作为一种新型的流行病监测手段，近年来在全球范围内得到了广泛应用。它通过检测社区废水中的病毒RNA来间接反映人群中的感染情况，而不需要依赖个体的临床检测数据。这种方式可以避免传统临床监测方法中存在的选择偏差，例如年龄、性别和经济状况等因素对检测覆盖率的影响。此外，WBS的覆盖范围更广，成本也相对较低，因此在疫情监控中具有重要的价值。WBS不仅可以用于大规模的社区监测，还可以应用于特定的场所，如医院、学校、大学校园或机场等，以追踪特定群体的感染情况。

然而，WBS数据的准确性仍然面临诸多挑战。首先，废水中的病毒浓度受到多种因素的影响，包括实验室分析方法的差异、人口特征的变化以及废水处理过程中的物理和化学因素。例如，不同实验室使用的标准曲线、目标蛋白（如N或S蛋白）以及处理流程中的储存时间等都会影响最终的病毒浓度测量结果。其次，人口特征，如年龄结构和经济地位，也会影响病毒在废水中的浓度。老年人群由于感染后病毒排泄时间更长、频率更高，可能在废水样本中表现出更高的病毒浓度。此外，工作场所的分布和人口流动模式（如通勤和旅游）也会影响废水中的病毒载量。

为了更准确地解读这些数据，研究团队采用了多种统计方法。首先，他们通过贝叶斯建模框架对病毒浓度进行调整，将实验室差异、人口特征和地理因素的影响分离出来。模型中包含了固定效应，如周末和节假日的影响，以及随机效应，如地理结构和时间趋势的变化。调整后的数据与地区内的新冠住院数据之间的相关性显著提高，从原始数据的0.55增加到调整后的0.77，这表明通过消除偏差，WBS数据能够更准确地反映疫情的真实情况。此外，研究还利用动态时间规整（DTW）聚类方法对调整后的数据进行分析，发现不同时间段内存在明显的地理聚集模式。

研究结果显示，WBS数据的调整后趋势在不同地区之间表现出一定的空间结构。例如，在疫情的早期阶段，瑞士的西北部地区显示出较高的病毒浓度峰值，而中部地区则相对较低。这种差异可能与人口免疫水平、接触模式或病毒变异引入的时间有关。随着疫情的发展，不同地区的病毒浓度趋于一致，但在后期又出现了新的地理聚集模式。这些模式可能反映了疫情后期的局部爆发或地区间不同的易感性、人口流动等因素。值得注意的是，某些地理聚集模式与语言区域相关，例如，某些集群主要由德语区构成，而另一些则包含法语或意大利语区，这可能暗示了与病毒传播相关的区域性特征。

此外，研究还发现，尽管对数据进行了调整，仍然存在一定程度的本地偏差。这种偏差可能与未被考虑的外部因素有关，如旅游业的波动。例如，在2022年夏季，旅游热点地区如劳特布伦嫩和格林德瓦表现出较高的病毒浓度，这可能与游客带来的感染有关。然而，由于数据的限制，研究团队无法完全量化这种影响。因此，未来的研究可以考虑引入其他指标，如酒店入住率或公共交通使用量，以更全面地评估人口流动对WBS数据的影响。

研究还指出，WBS数据的解读需要考虑到生态偏差的问题。由于WBS数据是基于污水处理厂的平均值，而非个体数据，因此可能存在对某些特定人群的误判。例如，高病毒浓度可能并不一定意味着更高的感染率，而是由于老年人群更频繁地排泄病毒。因此，在解释WBS数据时，需要结合当地的人口特征进行综合分析。

总的来说，这项研究强调了标准化实验室操作和先进数据处理方法在提高WBS数据可靠性方面的重要性。通过调整实验室差异、人口特征和地理因素的影响，研究团队能够生成更准确的病毒浓度趋势，这些趋势与实际的新冠住院数据高度相关。这不仅有助于更好地理解病毒的传播动态，也为公共卫生决策提供了更有力的依据。研究还指出，WBS数据的分析应结合多种因素，以避免误读和偏差，从而更有效地支持疫情监控和公共卫生政策的制定。