说好呈S型曲线结果呈线性增长，为什么新冠感染曲线不按常理来？

随着COVID-19首次疫情高峰的到来，许多国家解释了通过非药物干预措施减少感染人数的原因。像“社交距离”和“使曲线变平”这样的短语已经成为常用词汇的一部分。然而，有些解释不够充分：许多国家在第一个高峰后显示的感染曲线呈线性上升，与流行病学模型预期的S型曲线形成鲜明对比，那么该如何解释这种上升？

维也纳复杂性科学中心(CSH)的科学家们在《美国国家科学院院刊》上发表了一篇新论文，对感染曲线的线性增长给出了解释。

“在大流行开始时，COVID-19感染曲线显示了预期的指数增长。”CSH主席、维也纳医科大学复杂系统科学教授Stefan Thurner说，“这可以用所谓的滚雪球效应很好地解释：一个被感染的人会感染其他几个人，而在连锁反应中，这些人也会把病毒传染给其他几个人。通过社交隔离等措施，政府试图将增长率推低到治愈率以下，从而大幅减少新感染人数。然而，按照这种逻辑，个体感染的人数会少于另一个人，曲线会变平，最终趋近于零——而这并没有发生。”

“相反，我们看到的是持续的感染水平，每天的新感染人数也差不多。”合著者Peter Klimek(维也纳CSH & Medical university of Vienna)补充说，“用标准的流行病学模型来解释这一点基本上是不可能的。”

使用传统的流行病学模型将需要大量的参数微调，使模型越来越难以置信。“如果你想平衡测量，使有效繁殖数R值精确地保持在1——这可以解释线性增长——你就必须以同样精确且不变的百分比减少接触。在现实中，这根本是不可能的。”Klimek说。

事实上，CSH的科学家指出，在这些标准的房室模型中观察到线性增长的概率实际上是零。因此，他们受到启发，扩展了这个模型并寻找进一步的解释。

科学家们通过一种不同于最初预期的扩散形式解释了曲线的线性形状：他们假设扩散动力在小而有限的簇内持续。“大多数人去上班，感染了病毒，然后传染给家里的两三个人，然后这些人又去上班或上学。感染基本上是从集群传播到集群。”Stefan Thurner说。“感染曲线从S型到线性的变化显然是一种网络效应——一种动态的，与大规模的超扩散事件截然不同。”

科学家们指出，接触人群存在一个临界数量，他们称之为接触网络度(degree of contact networks，简称Dc)，低于这个临界数量，一定会出现线性增长和低感染率。他们发现Dc等于7.2，假设人们在与新冠病毒相关的网络中流通的人数约为5人，这在有效的封锁期间甚至更低(平均每户2.5人)。

他们的模型不需要调整参数，而是考虑了广泛的可能性，使感染曲线保持线性。它解释了为什么在如此多的国家出现了线性感染曲线，而不考虑强加的非药物干预措施的规模。

科学家们进一步比较了奥地利和美国。奥地利在早期采取了严格的封锁措施，而美国最初并没有采取严格的封锁措施。根据Peter Klimek的说法，他们的模型对两种情况都适用:“两种类型的国家都显示出线性曲线，但在美国和其它国家如瑞典，这些只是发生在更高的水平上。” 

该模型不仅解释了线性增长机制的出现，而且还解释了为什么流行病可以通过随之而来的社会距离而在群体免疫水平以下停止。对于标准的建模程序，复杂性科学家使用所谓的带有sir -model的分区模型，通过描述的簇传输扩展它。

但在接下来的几个月里，随着数字可能再次上升，会发生什么呢？还有其他风险因素，比如人们从其它国家度假回来，在国内呆的时间更长，疾病的传播可能会发生变化。Klimek总结道:“如果感染率再次上升，线性曲线有可能再次变成指数增长——人们称之为第二波。”

编译/前瞻经济学人APP资讯组

原文来源：

https://medicalxpress.com/news/2020-08-covid-infection-unexpectedly.html

http://dx.doi.org/10.1073/pnas.2010398117