英国放弃群体免疫真相!Nature深度用数据模型预测可怕结果( 三 )



研究小组把人们分为4类:S、E、I、R 。 其中E指的是那些已经接触了感染者但还没有传染性的人 。

在模型2中 , 研究人员依据意大利的数据 , 将ICU转入率调整为30% 。 据意大利临床医生介绍 , 加压氧气疗法的疗效有限 , 30%的重症住院病例都需要在ICU病房进行有创通气 。

此外 , R0数值被调整至2.4~3.3 。

3、两种建模预测数据差别不大

尽管一些参数有所变化 , 但据弗格森介绍 , 两种模型预测的死亡率并没有太大差别 , 因为许多死亡病例出现在社区而非医院 。

研究小组成员、流行病学家阿兹拉·加尼(Azra Ghani)也表示:“两次模拟给出的总体数字大致相同 。 ”例如 , 基于方程的预测模型显示 , 假如美国不采取行动对抗病毒 , 将会有218万人死亡 。 而早期建立的基于Agent建模显示 , 在假设的死亡率和感染人数相同的情况下 , 将有220万人死亡 。

巴黎皮埃尔·路易斯流行病学和公共卫生研究所的建模专家维多利亚·克利扎(Vittoria Colizza)在本次新冠疫情中为法国政府建模 。 对于两种不同的建模方法 , 她称不同的模型各有优缺点 , “这取决于你的侧重点” , 即建模人员想要研究群体的规模大小 。

如果能将一个群体集中到一个基于方程的模型中 , 那么该模型就不需要把每个人看作一个个体 。 在不要求高分辨率的情况下 , 模型运行就会更简单和快捷 。

例如 , 当克利扎团队想要预测大部分法国人在家办公对感染率的影响时 , 就可以使用基于方程的模型 。 克利扎说:“我们不需要单独跟踪每个人 , 去区分他们是在工作上花了一些时间还是在学校里花了一些时间 。 ”

4、采用“敏感性分析”减小误差

尽管选择不同的建模方式并不会影响预测结果 , 但人们自然会对预测结果的可靠程度有所怀疑 。 不幸的是 , 在病毒大流行期间 , 研究人员很难获得准确的数字来判断模型的准确程度 。

LSHTM的建模师约翰·埃德蒙兹(John Edmunds)称 , 理论上说研究人员可以用实际病例数与预测结果比较 , 但实际报告的数据并不准确 。 “我们的监控系统都是垃圾 。 报告的病例总数准确吗?不准确 。 有哪些地方是准确的吗?并没有 。 ”他说 。

去年 , 埃德蒙兹及其团队发布了一份对2014至2015年塞拉利昂共和国埃博拉疫情的评估报告 。 根据报告 , 对于在疫情爆发期所做的预测 , 很少有研究人员在疫情期间或疫情结束之后对其进行准确性评估 。 直到报告成文的时候 , 相关研究人员才开始提供结果、代码、模型和数据 , 用以进行回顾性分析 。

埃德蒙兹团队认为 , 理论上说 , 预测模型有可能提前一到两个星期准确预测疫情的发展过程 。 但由于内在的不确定性和缺乏信息 , 预测的准确性有所降低 。

为了尽量减少信息不完全和错误假设的影响 , 建模人员会进行数百次的独立运行 , 每次都对输入参数进行细微的调整 。 这种“敏感性分析”会降低单个输入变化时模型结果的误差 。

例如 , 让I组的人会与S组的人会面 , 观察S组的人会不会被再次感染 。 当模型多次运行时 , 这些随机模拟就能提供更多的可能性 。

弗格森还介绍 , 为了避免过于依赖一种模式 , 英国政府参考了不同建模团队的模型 , 其中包括帝国理工学院和LSHTM的团队 。 “我们得出了相似的结论 。 ”他说 。

英国放弃群体免疫真相!Nature深度用数据模型预测可怕结果
文章图片

预测死亡人数或破270万 , 英美政府立即调整抗疫决策


推荐阅读