编辑推荐：
在 SARS-CoV-2 疫情监测中，病例数受检测率影响大。研究人员针对安大略省疫情，用标准化方法调整检测差异。结果显示调整后病例数变化，疫情曲线不同。这有助于更准确了解疫情，为公共卫生决策提供依据。
2019 年末，SARS-CoV-2 的出现如同一场突如其来的风暴，迅速席卷全球，给人类社会带来了巨大冲击。这场疫情不仅严重威胁着人们的生命健康，导致大量人口感染甚至死亡，还对全球经济、社会秩序以及人们的生活方式产生了深远影响 。在疫情防控过程中，准确掌握疾病的流行病学特征至关重要，它是制定科学合理防控策略的基础。然而，在实际监测中，一个关键问题逐渐凸显出来：传统的传染病监测往往依赖病例计数来评估风险，但病例数会受到检测率的强烈影响。
以加拿大安大略省为例，在 SARS-CoV-2 大流行期间，不同年龄、性别、地区和时间的检测率差异显著。比如，老年人接受检测的频率相对较高，而年轻男性和儿童的检测频率较低。这就导致基于原始病例计数所呈现的感染情况可能存在偏差，无法真实反映病毒在人群中的传播情况和实际感染风险。为了更准确地了解 2020 - 2022 年安大略省 SARS-CoV-2 疫情的动态变化，明确在何种情况下需要对检测数据进行调整以获得准确的风险评估，多伦多大学达拉纳公共卫生学院（Dalla Lana School of Public Health, University of Toronto）等机构的研究人员开展了一项重要研究。该研究成果发表在《BMC Infectious Diseases》杂志上，为我们深入理解疫情提供了关键线索。
研究人员在此次研究中主要运用了以下几种关键技术方法：
- 数据收集：从安大略病例和接触管理系统（CCM）获取基于人群的 SARS-CoV-2 感染数据，包括病例的年龄、性别、阳性 PCR 报告日期等信息；从安大略实验室信息系统（OLIS）收集实验室检测量数据12。
- 调整检测不足：使用基于元回归的方法，通过估计标准化病例比率（SCR）和标准化检测比率（STR），对不同年龄和性别组的病例数进行调整，以校正检测不足的情况34。
- 数据分析：运用多种统计分析方法，如 Spearman 相关性分析、线性回归模型、分布滞后非线性模型（DLNMs）等，对比原始病例曲线和调整后病例曲线与 SARS-CoV-2 归因死亡率之间的关系，并评估不同模型的拟合优度56。
下面来看具体的研究结果：
- 检测率情况：2020 年 3 月 1 日至 2022 年 9 月 4 日，安大略省共进行了 2282 万次 SARS-CoV-2 PCR 检测，阳性率为 6.03%。检测率随时间变化呈现两个明显峰值，且不同年龄和性别人群的检测率存在差异，80 岁及以上女性检测率最高，10 - 19 岁男性检测率最低。在不同疫情波次中，除第四波（Delta 变异株主导）中 10 岁以下男性为检测最多的群体外，其余 5 波中 80 岁及以上女性均为检测最多的群体7。
- 调整后病例数与疫情曲线：调整检测不足后，累计病例数是原始报告病例数的 3.1 倍。调整后的疫情曲线在疫情初期和末期与原始曲线有明显差异，调整后第一波和第二波疫情规模相当，还识别出 2022 年由 Omicron 变异株引起的三次明显疫情波次；而在检测强度较高的疫情中期，调整前后的曲线几乎相同89。
- 与死亡率的关系：调整后病例数与滞后的 SARS-CoV-2 归因死亡数的 Spearman 等级相关性更高，线性回归模型和 DLNMs 模型也显示，调整后病例数在预测死亡方面的拟合度更好，更能反映实际死亡率趋势1011。
- 调整比率（AjR）分析：AjR 在不同年龄、性别、地区和时间存在差异。总体上，女性病例比男性更易被识别，年轻成年女性（20 - 59 岁）漏报较少，儿童和年轻男性成年人群体漏报明显。此外，不同公共卫生单位的 AjR 存在显著异质性，检测率和多代同堂家庭比例与 AjR 相关，检测率每增加 1%，AjR 增加 2.55 倍；多代同堂家庭比例每增加 1%，AjR 增加 1.08 倍1213。
- 检测率与调整病例数的关系：每周人均检测率每增加 1%，调整后病例数小于或等于原始报告病例数的几率增加 39%。当每周人均检测率达到 6.26% 时，调整后病例数高于或低于报告病例数的可能性相同14。
综合研究结果和讨论部分，这项研究具有重要意义。它通过标准化调整方法，校正了年龄和性别差异检测对 SARS-CoV-2 感染表观流行病学的影响，让我们对安大略省的疫情有了更准确、更全面的认识。例如，明确了前两波疫情规模差异可能是检测量变化导致，而非疾病流行病学本身的差异；清晰呈现出 2022 年 Omicron 变异株引发的三次疫情波次 。同时，研究还发现了不同人群和地区的病例漏报情况及其影响因素，确定了检测频率阈值，当检测率足够高时，原始病例数能合理反映疾病动态。这一研究成果为公共卫生监测提供了更科学的方法，有助于在未来疫情防控以及其他传染病监测中，更准确地评估疫情风险，制定更有效的防控策略，从而更好地保障公众健康。
