欧洲、中东、大洋洲、南亚部分地区和美国逐步退出COVID-19封锁,放松最严厉的社会疏导措施。

同时,中国、新加坡和韩国这些首先受到冲击并成功控制第一波的国家,在放松反COVID-19措施后似乎面临不同的动态。

在5月10日之前,韩国似乎已经完全控制了当地的疫情(Hyonhee Shin,Josh Smith,"韩国争相控制夜总会冠状病毒的爆发“, 路透社,2020年5月11日)。两天内,韩国报告了 69个新病例 与首尔的夜总会和酒吧相联系,测试接触案例,仍然需要追踪3000多人。其边界被关闭,并且 参赛作品 被提交给严格的检疫。

中国的情况似乎很好,尽管在黑龙江的集群和输入性病例中挣扎,特别是在黑龙江(William Yang," ")。中国试图控制新的冠状病毒疫情“, 邓小平,2020年4月29日)。然后,在5月11日,就在封锁结束后的一个多月,在最初的疫情中心武汉出现了一个新的集群,与无症状病例有关("中国武汉报告了解除封锁后的首个冠状病毒集群“, 路透社,2020年5月11日)。5月9日,是吉林省东北部报告了一个新的小型集群,这引发了对舒兰市的封锁(同上)。

新加坡知道什么可以被看作是第二波浪潮,重点是移民工人,案件开始成倍增加。 2020年4月初 (James Crabtree, "新加坡的第二波浪潮如何暴露出经济不平等现象“, 新政治家》杂志,2020年5月6日)。

同时,历史表明,对于1918-1919年所谓的 "西班牙 "流感大流行,第二和第三波比第一波春季流感更致命(Jeffery K. Taubenberger和David M Morens,"1918年流感:所有大流行病之母," 新出现的传染病 vol. 12,1, 2006)。

因此,关于这个COVID-19第二波,我们在不久的将来会有什么期待?

流行病学家已经建立了各种类型的情景模型,以帮助政策制定者处理该大流行病,并制定尽可能减少死亡人数的对策。本文探讨了四种这样的模型和情景,并强调了它们对未来COVID-19浪潮的启示。将这些情景与中国、新加坡和韩国的现实情况进行简要比较,我们强调了看起来更有可能发生的情景,并强调了进一步研究其他因素的必要性。

作为我们与COVID-19相互作用的结果的波浪

现在人们普遍认为,我们将不得不与COVID-19共存。无论爆发的形式如何,预计这种大流行病都会持续下去,直到实现免疫,假设这是有可能的话。免疫将来自于疫苗接种或自然免疫。根据我们的估计,并考虑到需要制造数十亿剂量的免疫,在2022年冬季之前最好不要实现免疫(见Helene Lavoix, COVID-19大流行,生存与重建, The Red Team Analysis Society2020年3月24日)。这个时间框架没有考虑到开展大规模的疫苗接种活动所需的时间。

考虑到所有国家都措手不及,可能只有韩国例外,行动者们尽可能地处理了COVID-19的第一次爆发或第一波。一系列的措施被制定和应用,包括在全球范围内的严格封锁,这使得他们能够处理突发事件并减少死亡人数。这些措施的主要目的是阻止传染,同时不看到卫生系统崩溃。我们成功做到的不是结束疫情,而是改变其进程。我们避免了立即可能出现的最坏情况(Helene Lavoix, COVID-19大流行的最坏情况基线方案, The Red Team Analysis Society,2020年3月24日)。

然而,付出的代价是活动停止了,给生活方式,包括经济带来了巨大的损失。

现在,我们正在进入一个新的阶段,我们将开始学习与COVID-19共处。我们担心的是,一旦活动重新开始,那么这种流行病将再次蔓延和发展,带来第二波的死亡、痛苦和看到卫生系统崩溃的危险。因此,政治当局正急于设计一系列措施和政策,使我们能够与COVID-19一起生活,而不是被危险冻结,直到另一种死亡带走我们所有人。

第二波和下一波的可能性一般取决于病毒之间的相互作用,特别是SARS-CoV-2的流行病学,以及各方面的反应和行动将设计和实施。

因此,我们的活动既依赖于COVID-19的波浪,同时也有助于创造和塑造它们。

第二波和复发波

帝国理工学院COVID-19反应小组三月研究

首先,我们有帝国学院COVID-19反应小组的有影响力的研究。 非药物干预(NPIs)对降低COVID19死亡率和医疗需求的影响 (2020年3月16日)。许多政府利用这份报告来建立其第一波的封锁政策。

(从这一点出发,通过人工智能自动翻译法语)。

在这项研究中,目标是最大限度地减少死亡,这就要求不要让医院不堪重负,尤其是重症监护室的床位要求(ICU)的数量。考虑到的政策措施有以下几点。

  • 家庭中的病例隔离(CI)。
  • 自愿在家隔离(14天--总部)。
  • 70岁以上人士的社会疏远(SDO)。
  • 整个人口的社会疏远(类似于禁闭--SD)。
  • 关闭学校和大学(PC)。

该研究除其他关键因素外,还考虑了 R0 (R-nought)或一种传染病的基本繁殖数。这是一个代表 "在流行病早期一个典型感染者所产生的预期二级病例数 "的措施(O Diekmann;J.A.P. Heesterbeek和J.A.J. Metz(1990))。 "论异质种群中传染病模型中基本繁殖率R0的定义和计算"数学生物学杂志》(Journal of Mathematical Biology 28: 356-382).他们 "研究了2.0和2.6之间的数值",这是在大多数估计的范围内。他们还考虑了针对SARS-CoV-2的获得性免疫,并认为它与针对季节性流感的获得性免疫相似,即在下一季节不能再发生重新感染。

通过这个模型,帝国学院COVID-19反应小组发现,对于一个 R0=2.2,在第一波结束后,一旦放松对全体居民的社会疏散措施,学校和大学重新开放,假设所有其他措施保持不变,新的一波开始。它引发了在放松措施开始一个月后,需要开始一个新的全民社会疏散和学校和大学关闭的时期。

作为一个整体,在两年内,全部措施 "大约有2/3的时间是有效的"(第12页)。因此,在两年中,除了第一波,我们有11波,每波两个月,然而每波的顶点较低。因此,一旦封锁停止,第二波立即开始,但在退出战略一个月后,当触发对SD的需求时,开始被体验为这样。

帝国学院COVID-19反应小组 - 3月16日的研究报告,第12页--"图4:GB中自适应触发压制策略的说明,对于 R0=2.2,考虑所有四种干预措施的政策,一周内有100个ICU病例的 "开启 "触发,50个ICU病例的 "关闭 "触发。"

虽然还需要进一步监测,但这似乎与中国和韩国出现的新集群大致相符。然而,在这两个国家,我们离帝国理工学院估计的从禁闭状态退出后一个月在ICU的需求还很远,如上图所示。

哈佛T.H. Chan公共卫生学院的模式

哈佛T.H. Chan公共卫生学院的科学家们创建了一个模型,明显允许病毒对季节性的不同敏感性(Stephen M. Kissler, et al.预测SARS-CoV-2在后流行期的传播态势“, 科学,2020年4月14日)。

它获得了与帝国理工学院类似的方案,到2022年反复出现的波浪 "要求社会疏导措施在25%之间到位(用于冬季的 R0 =2和季节性...)和75%(用于冬季的 R0 =2.6,没有季节性......)的时间"。

很明显,越低 R0 考虑,季节性因素越重要,社会疏远期就越短。

在这里,与帝国理工学院的模型一样,随着社会疏远措施的放松,第二波将立即开始。在哈佛大学的模型中,在美国的情况下,如果病毒不是季节性的,在SD结束后一个月就需要采取新的社会疏导措施。如果病毒是季节性的,并且如果第一波病毒发生在春季,就像美国的情况一样,那么在SD结束后的2.5个月,就需要采取新的社会疏导措施。

5月份在韩国和中国出现的新群组倾向于表明,该病毒不是或不具有强烈的季节性。无论如何,新加坡的病例和4月的浪潮表明,高温和潮湿似乎并不能阻止病毒和疾病的发生。

CIDRAP的三种可能情况

2020年4月30日,明尼苏达大学传染病研究和政策中心(CIDRAP)发表了"COVID-19大流行的未来:从流感大流行中吸取的教训,"(Kristine Moore, MD, MPH, Marc Lipsitch, DPhil, John Barry, MA, and Michael Osterholm, PhD, MPH)。

CIDRAP指出了流感和SARS-CoV-2之间有用的相似之处,但也有不同之处,特别是后者的病毒传播性更强,它概述了三种可能的情况。这些设想给出了未来流感浪潮的前景,但还不够精确,无法估计第二波浪潮何时开始。

CIDRAP的第一个方案与帝国理工学院和哈佛大学T.H. Chan公共卫生学院的方案非常相似。根据这第一种情况,"2020年春季的第一波COVID-19,随后是一系列重复的小波,在夏季出现,然后在1至2年的时间里持续出现,在2021年的某个时候逐渐减弱。"波动的强度和时间可能随着所采取的控制措施的效率以及根据其他人口和地理因素而变化。这第一种情况还预计,全面的SD措施可能必须定期实施。

CIDRAP的第二个方案是受1918-1919年西班牙流感大流行的模式启发。"2020年春季的第一波COVID-19,随后是2020年秋季或冬季的一个更大的浪潮,以及2021年的一个或多个较小的后续浪潮。" 因此,与帝国理工学院和哈佛大学的方案的主要区别首先是关于强度。第二波是最致命的。其次,它是关于时间。第二波将发生在下一个秋天或冬天。最后,它是关于第二个浪潮之后的后续浪潮的数量,创造了两个子方案:只有一个进一步的浪潮或后续的小浪潮。

考虑到中国、新加坡和韩国正在发生的情况,时间上似乎并不对应。这种差异可能来自于为COVID-19所采取的措施,与1918年流感大流行相比,这些措施很可能 "人为 "地阻止了第一波流感。然而,出现更致命的第二波流感的可能性是很严重的,足以让我们保留这种情况,并进一步详细比较1918年的大流行和COVID-19。

第三种CIDRAP情景与之前的模型不同。它设想 "2020年春季的第一波COVID-19,随后是持续传播和病例发生的 "缓慢燃烧",但没有明确的波浪模式"。在这种情况下,最严厉的社会疏导措施将不必重新实施,但 "病例和死亡将继续发生"。

这种情况并不符合在新加坡发生的情况。然而,现在就抛弃它可能还为时过早。它也可能不具有普遍性。在一些国家,过量的死亡和痛苦是不可接受的,同时总是存在着传染病再次成倍蔓延的风险。因此,即使只有几个案例也会引发SD措施,就像在新西兰或中国的舒兰那样(例如Amy Gunia,"为什么新西兰的消除冠状病毒战略不太可能在大多数其他地方奏效?“, 时间,2020年4月28日;同上)。

流动性和第二波

最近的研究也是由帝国学院COVID-19反应小组进行的,重点是意大利(报告20:利用流动性来估计意大利COVID-19的传播强度:国家以下各级的分析与未来的设想,2020年5月4日)。

它以流动性的增加为代表,对2020年5月4日放松隔离措施的情景进行了模拟。在他们的模型中,第二波是准内置的,因为流动性是用来使 "与时间有关的繁殖数或有效繁殖数(Rt)"改变的参数。因此,该模型告诉我们的是感染和死亡的过度程度,即波浪的大小。

在所模拟的第一种情况下,流动性比封锁前的水平增加了20%,而在第二种情况下,流动性增加了40%。然而,这些情况并没有考虑到其他反COVID-19的措施,如学校关闭、卫生、口罩或测试和接触追踪。它只关注了流动性因素。

第一个发现,不出所料,就是情况因地区而异。 这可能表明,例如中国或德国处理COVID-19的方式可能是未来的方向,至少就流动性因素而言。

在情景1(20%流动性)中,超额死亡人数大约在2020年6月8日在皮埃蒙特、6月20日在威尼托和7月13日在托斯卡纳上升到100人以上,然后以指数形式上升。

在情景2(40%流动性)中,超额死亡人数大约在5月28日在皮埃蒙特,6月4日在威尼托,6月10日在托斯卡纳,6月22日在伦巴第,7月4日在艾米利亚-罗马涅和利古里亚上升到100以上,然后呈指数增长。

正如作者所强调的,这些情况必须被视为最坏的情况,因为知道其他措施将被实施。

因此,除了CIDRAP的第三种情况,所有的流行病学模型都表明我们将面临第二波。大多数模型还考虑了以下反复出现的浪潮。

现在,与中国、韩国和新加坡的疫情动态进行简单的比较,往往表明预计会出现反复的模型和情景是最有可能的。这也可能表明,除了新加坡的情况,模型在第二波的时间方面是悲观的。然而,在新加坡,流行病学模型中没有包括的其他因素也在起作用。同时,第二波的规模从而致命性仍然是一个高影响的不确定性,必须仔细考虑。

因此,我们能否找到其他有助于改善对未来浪潮评估的因素?这些因素将使预见性更加可操作。因此,它们将有助于设计有效的政策。这就是我们将在下一篇文章中看到的内容。

进一步的参考书目

Taubenberger, Jeffery K, and David M Morens."1918年流感:所有大流行病之母." 新出现的传染病 vol. 12,1 (2006):15-22. doi:10.3201/eid1201.050979

特色图片。图片来源 Elias Sch. 德 淘宝网 [公共领域]

发布者:Dr Helene Lavoix (MSc PhD Lond)

Helene Lavoix博士 是 Red Team Analysis Society 的总裁兼创始人。她拥有伦敦大学亚非学院(SOAS)政治学博士学位和亚洲国际政治硕士学位(优异成绩),以及金融学硕士学位(法国大学校毕业)。 她是战略展望和预警专家,尤其是国家和国际安全问题方面的专家,拥有超过 25 年的国际关系经验和 15 年的战略展望和预警经验。Lavoix 博士曾在五个国家生活和工作过,在另外 15 个国家执行过任务,并在世界各地培训过高级官员,例如在新加坡和作为欧洲项目的一部分在突尼斯。 她在新加坡的 RSIS、SciencesPo-PSIA 或突尼斯的 ESFSI 等著名机构教授战略展望和预警的方法与实践。她定期发表关于地缘政治问题、铀安全、人工智能、国际秩序、中国崛起和其他国际安全主题的文章。 拉沃瓦博士致力于不断改进预测和预警方法,将学术专长和实地经验相结合,预测未来的全球挑战。

加入对话

2条评论

留下评论

您的电子邮箱地址不会被公开。 必填项已用*标注

此站点使用Akismet来减少垃圾评论。了解我们如何处理您的评论数据

ZH