新冠疫情建模决策支持的未来：从 COVID19汲取的关键经验与展望

《BMC Global and Public Health》：The future of pandemic modeling in support of decision making: lessons learned from COVID-19

为解决新冠疫情应对挑战，研究人员开展疫情建模研究，发现诸多问题，对未来抗疫意义重大。

　　

新冠疫情建模决策支持的未来：深度解读与启示

新冠疫情如同一场全球性的风暴，给人类社会带来了前所未有的冲击。在这场危机中，全球累计死亡人数超 690 万，经济陷入困境，社会贫富差距进一步拉大。尽管新冠疫苗迅速研发，但疫苗分配不均、人们对疫情的应对差异、政治和公众参与度下降以及病毒不断变异等问题，使得疫情的影响持续恶化。

面对这样的局面，疫情建模和预测成为了应对疫情的关键手段。它就像疫情防控中的 “指南针”，能够帮助决策者提前规划，合理分配资源，公众也能借此了解疫情动态，配合防控措施。然而，现有的疫情建模在实际应用中却面临着重重挑战。

为了深入探究这些问题，来自洛斯阿拉莫斯国家实验室（Los Alamos National Laboratory）的研究人员开展了一项极具价值的研究。他们通过对 14 个国家的 85 位疾病建模者和相关人员进行访谈，深入了解疫情建模在实际应用中的情况。

在研究方法上，研究人员采用访谈的方式收集信息。他们从自己的专业网络入手，选取了积极参与数据驱动的 COVID₁₉应对工作的人员，之后通过受访者的推荐，进一步扩大访谈范围，同时还主动联系了特定的个人和群体，以获取更全面的信息。

研究结果显示：

1. 模型与建模挑战：传统的疫情模型在面对复杂的现实情况时存在诸多不足。一方面，它难以处理人口异质性混合和行为快速变化的情况，例如在新病毒变种出现或公众行为改变时，模型预测往往不准确。另一方面，模型的复杂性不足，无法充分考虑人口统计学和区域异质性，对人类行为变异性的估计也偏低，并且难以适应实时变化。此外，在建模范围上，传统模型通常只关注单一病原体和健康结果，忽略了干预措施带来的社会后果。同时，模型的实用性和预测的适宜性也受到质疑，部分模型在高度异质化地区的预测价值有限，而且过度强调预测，忽视了情景规划和影响评估。
2. 数据相关问题：数据问题是疫情建模面临的重要挑战。数据不完整、延迟报告、缺乏人口统计学或地理细节，以及不同地区数据标准不一致等问题普遍存在。此外，数据过载也给分析带来了困难，例如大量的基因组测序数据超出了现有分析能力。而且，数据收集和报告缺乏标准化，基础设施存在差距，特别是在低收入和中等偏下收入国家（LMICs），数据共享和模型与决策者之间的协作也有待加强。
3. 公众与决策者的问题：公众信任在疫情防控中至关重要，但在疫情期间，由于虚假信息、政策矛盾和科学的快速发展等因素，公众对疫情防控措施的信任受到了严重影响。同时，模型构建者与决策者之间的沟通也存在障碍，模型构建者有时感觉自己的意见未被充分听取，这影响了模型的实用性和决策的科学性。
4. 国际化与公平性问题：全球应对疫情需要国际合作和公平分配资源，但在实际情况中，从高收入国家引入的模型往往无法适应低收入和中等偏下收入国家的特殊情况。而且，在国际合作中存在不公平现象，例如当地研究人员贡献了数据，却在决策和成果认可中被排除在外。
5. 集中化与分散化的平衡：在疫情应对中，集中化和分散化都有各自的优势和挑战。一方面，国家和州卫生部门需要被赋予更多权力，以实现资源的合理分配和协调。另一方面，基层的自下而上的应对也非常重要，能够更好地满足地方需求。然而，在实际操作中，如何平衡两者的关系，避免出现权力分配不当、数据收集和决策协调困难等问题，是需要解决的关键。
6. 可持续性、后勤和资源需求：维持疫情防范需要强大的基础设施、全面的培训和可持续的资金支持。同时，也要关注参与疫情应对人员的工作负担和职业倦怠问题，避免人才流失，确保机构的知识传承。
7. 成功、失败和人类影响：在疫情应对中，有成功的经验，如建立了良好的合作关系、共享数据和模型等。但也存在失败之处，比如对疫情威胁的低估、未能充分吸取过去的经验教训、人员和资源的限制等。此外，研究还强调了关注人类情感支持、连接性和同理心的重要性，无论是对疫情应对人员还是公众。
8. 对下一次大流行的准备：对于下一次大流行的准备情况，受访者的看法不一。一些人认为在基因组监测、疫苗技术和机构协调等方面取得了进步，而另一些人则指出持续存在的不平等、人员倦怠和政治意愿脆弱等问题，认为关键的系统性差距仍然存在。

研究结论和讨论部分指出，疫情建模在应对疫情中虽然存在诸多问题，但它对于决策制定仍然具有重要价值。未来，需要建立集中化但分散的建模体系，持续投入资源，加强数据管理和共享，提高科学沟通能力。具体来说，要在全球建立多个有持续资金支持的建模中心，这些中心应具备开发实用模型、与数据所有者和政策制定者合作建立综合监测系统、解决数据质量问题、与决策者协作等能力。同时，要注重培养地方建模能力，确保模型能够适应不同地区的需求。此外，加强科学沟通，让公众和决策者更好地理解模型的作用和局限性，对于提高疫情应对能力也至关重要。

这项研究为未来疫情建模和应对提供了重要的参考，其发现的问题和提出的建议，有助于改进疫情防控策略，提高全球应对未来大流行的能力，发表在《BMC Global and Public Health》上，为该领域的研究和实践提供了宝贵的经验和指导。