如何像天气预报一样预测流行病?

本文关键词

预测流行病 前哨人群 动物死亡 大数据

我们常说,以史为鉴,而在一次次的流行病后人们总会想各种方法,避免世界性流行病再次发生。

2003年非典事件之后,我国就先后修订了《中华人民共和国传染病防治法》,并制定了《突发公共卫生事件与传染病疫情监测信息报告管理办法》等适用于传染病疫情的报告制度,让卫生医疗机构能够根据疾病的严重程度分级上报。

《突发公共卫生事件与传染病疫情监测信息报告管理办法》(截图自国家卫健委官网)

这些法规和办法都是流行病监控方面的重大进步,也让中国在随后面对禽流感、猪流感时有了出色的表现。

但仔细想想,如果是等到传染病出现后再做应对,是不是有点慢了呢?如果能在病毒或其他病原体在人类中流行之前就像天气预报、地震监测一样提前预知发现它,并且及时制止它,也许流行病就不会那么严重呢?

在这里不得不提到一个新兴的学科——流行病预防学,它主要有三个目的:

1.早点识别地方性流行病;

2.. 评估地方性流行病演变成全球性流行病的概率;

3. 在致命的地方性流行病演变成全球性流行病之前遏制它们。

回到标题中的疑问:流行病预防学,是怎么像天气预报一样预测流行病的?

盯着“哨兵人群”

新型病毒或其他病原体往往是从动物跳跃到人身上,然后在人类中大肆传播。

比如最近的新型冠状病毒、以前爆发的SARS病毒、埃博拉病毒,或者是时有发生的狂犬病毒等等,都是来源于动物。

病毒攻击人类之前常常寄生在野生动物身上,比如我们现在都知道的冠状病毒,就来源于各种各样的野生动物

而在这个跳跃的过程中,有一小部分人可能比其他人更容易被感染,这样的人就被称作——哨兵人群

哨兵人群有哪些?

例如那些仍以狩猎为生的猎人,他们和森林里的野生动物密切接触,甚至会碰到动物的血液等。

如果有病毒想要从这些野生动物跳到人类中去的话,他们很可能是第一个被感染的群体

除了猎人,护林员、森林公园管理人员、屠宰场人员等等,都属于“哨兵人群”。

通过定期监测狩猎区猎人的血液等样本,传染病学家可以掌握病毒等病原体从这些森林向人类迁移的轨迹

如果用同样的模式,在全球范围内建立一个布控系统,监测所有“前哨人群”的生理状况拦截那些想要在人类群体中胡作非为的病毒和微生物,就可以避免流行病的流行。

2015-2017广东动物从业人员健康状况调查

(朱燕珊等人, 2018)

来自哨兵人群的样本仅仅是监测工具箱中的一种。还有很多其他工具,能够用来掌握病原体的情报,以及传染病的趋势。

警惕野生动物的异常死亡

除了那些哨兵人群,野生动物本身也值得被关注。

野生动物学家可以通过观察森林里动物的状况是否正常,它们有没有出现奇怪的大面积死亡,如果出现,原因是什么。

很多时候,野生动物的大范围死亡事件很可能是人类疫情的预告片。如果看懂了预告片,我们就能够从容应对接下来的剧情。

乌干达自然保护区内的护林员要求及时报告野生动物的死亡(图源:Science)

例如几十年来,在非洲引起了数次发热和严重内出血的爆发流行病毒——埃博拉病毒

此前因为缺乏特效药物和疫苗, 绝大多数的感染者难逃死亡的厄运。

显微镜下的埃博拉病毒(图源:Wikipedia)

为此,科学家们与加蓬共和国的Francevile 国际医学研究中心合作,记录了从2001年到2003 年, 在横跨加蓬和刚果共和国20000多平方公里的森林中,包括大猩猩、黑猩猩、各种猴子和羚羊类在内,各种野生动物的尸检信息

其中发现,有98 只动物的死亡大多发生在埃博拉病毒流行的两个高峰期

随后,身着防护衣的研究人员找到了21只感染埃博拉病毒的动物尸体残骸, 收集并检测了还未被分解的动物骨头、肌肉和皮肤组织,发现其中10只大猩猩,3只黑猩猩和1只羚羊的检验结果仍呈阳性

埃博拉病毒传播示意图,主要是和人类与野生动物接触导致的传播与感染

在2002年12月和2003年11月这两次埃博拉病毒爆发之前,研究人员通过对野生动物的监测,提前数周甚至好几个月警告了当地的公共卫生机构,提醒其快速启动预防措施。

但由于科学家和公共卫生机构与当地人之间缺乏高效、可靠的的沟通渠道,即便监测网络已经发出警告, 病毒还是可能感染人类,并大范围传播。

网络就是一个十分便捷的沟通渠道,不仅如此,来自互联网的信息本身也可以帮助预测流行病。

善用AI和大数据

人们每天花费大量的时间“网上冲浪”,在各种社交媒体发布动态、在搜索引擎查询资料。

而这些来自人们上网的信息数据,也可以用来预测流行病的风险。

因为,一旦出现了流行病,大家都会在网上搜索如何应对身体出现的各种症状,或者病毒等病原体相关的资料。

这些搜索引擎中出现的高频关键词和数据,对于预测一些流行病的确定、发生、发展等过程都很有帮助。

例如2008年谷歌推出的流感流行趋势预测系统——Google Flu Trends,该系统在次年美国H1N1爆发前两周,就根据数十亿条检索数据记录,构建了4.5亿个不同的数字模型,得出相关的流感预测指数,且该结果和美国疾病控制和预防中心(CDC)官方数据高度相关(97%)。

如果这个系统能够保持这样的预判性和准确性,这无疑是对付流感的强力武器。

但事与愿违,2014年一篇发表在Science上的文章指出,谷歌流感趋势给出的结果往往高于实际情况,而且高的离谱:从2011年8月到2013年8月的108周中,有100周高于CDC给出的流感发病率,最高时期甚至是CDC数据的2倍。

谷歌流感趋势与CDC报告情况比较(图源:Science)

百度此前也上线过包括流感、肝炎、肺结核和性病在内的流行病趋势预测系统。

但不管是数据的采集和筛选,还是模型构建的形式,都可能影响最终得到的结果。

如果在人工分析的基础之上,加入人工智能(AI)算法,利用更加完备的技术策略和预测模型,减少不必要的“噪音”,说不定能够得到更加精准的结果,目前全球范围内已有数家公司,在开发甚至已经推出这样的方案。

21世纪前15年威胁全球的流行病(图源:WHO)

不论是对于“哨兵人群”和野生动物的监测,还是利用AI和大数据进行预判,都需要大量人力和资源的投入。

而这一次新冠肺炎疫情在全球范围的大流行,着实给人类敲响了警钟。

相信在未来,人们会愿意花费更多精力在流行病的预测和应对上,毕竟应该没有人想再次经历这样一场生命、社会和经济的灾难。

你觉得以后真的能做到以史为鉴吗?

参考资料

朱燕珊,王宣焯,陆明领,陆家海,2015-2017广东地区动物从业人员健康状况调查. 热带医学杂志. 2018年4月第18卷第4期.

白海燕, 当埃博拉病毒逼近时——人类的疾病发作紧随动物感染之后. 基础医学与临床. 2005.25( 9).

内森·沃尔夫,病毒来袭. 浙江人民出版社

扫码回复“进读者群”

让这个人拉你进群,和作者分享你的看法

也可以在留言区分享你对于流行病预测的看法