©io9 | Gizmodo

导语

大城市拥有高度聚集的核心区域，具有高基础传播风险，然而近期发表在Science上的一篇文章，通过研究美国城市流感疫情数据，发现了一个反常识的现象：越大的城市疫情的严重程度似乎越低。这一现象的背后到底蕴含着什么传播机制？我们又如何构建更好地公共卫生呢？

编译：集智俱乐部翻译组

来源：Science

原题：Urbanization and humidity shape the intensity of influenza epidemics in U.S. cities

流感病毒在人群中的传播，往往受到病原体毒株的进化和气候条件的影响，具有明显的季节性差异。季节性流感在不同城市的传播具有明显的异质性，这个难题目前仍然让人费解。

这篇论文中，作者搜集到美国600多个城市的每周新发病例数的时间序列数据。结合统计分析与数据驱动模拟的方法，他们探究了人群的规模与结构对于不同城市流感疫情发病率等方面的影响。

他们发现，在流感病毒盛行的季节，规模较小的城市里疫情发展地往往也比较快，集中在较短的时间窗口暴发；然而大城市的流感疫情往往在时间上更为分散。统计分析显示，由每个城市每周新发病例的数据估计出的基础传播风险（Base transmission potential）与城市人口的数量以及人口密度的时空分布正相关，大城市的气候因素对于基础传播风险的影响不是很大。

基础传播风险是指：在群体中随机选择两个宿主，能把疫情以呼吸产生飞沫的方式传染到对方身上所需要的临界距离。临界距离越大，传播风险越高。

这意味着，在流感盛行的季节之外，大城市里潜藏着很多重要的人际传播链路，从而改变了种群免疫在时间与空间上的分布。

疫情传播差异源于何处？

公众卫生的一个重要目标就是预测传染病和流感的变化，这也是复杂系统研究的一个标杆。通过相互作与演化，疫情的斑图得以传播和扩散，这其中包括了：病毒抗原进化、气候条件、宿主间传播的空间异质性、等等因素。

城市是人类流感传播的主要地点，也是这些传播驱动因素相互作用的主要环境。然而，最近对城市层面的流感传播模式的比较却揭示了在同样气候条件和抗原环境中，城市之间的疫情传播模式存在无法解释的差异。这表明城市的内在因素差异可能与这些传统的外在因素差异互相作用，导致城市间存在不同传染病动态。

城市存在几个潜在的互相影响因素：公共卫生的变化和覆盖范围、人口健康、社会经济条件。不同的城市在人口规模、空间结构和连通性方面也有根本的不同，这可能会影响传染性接触的模式。和传统的影响因素一样这些影响因素都有可能大大改变传染病的动态。

现状分析：

反常识的结论引人深思

研究者探究了六年的(2002-2008)的类流感疾病（influenza-like illness，ILI）每周发病率数据来解决这个问题，类流感疾病监测是估计流感发病率的手段之一，研究者的分析校正了类流感疾病监测的敏感性和特异性，分析涵盖了特定城市的报告率，这些报告率在流感高峰季节、非高峰季节之间存在时间上的差异。

美国城市季节性流感疫情强度的系统差异

如上图所示，ILI 数据显示，各城市之间流感发病率在各个季节的分布存在连续性的差异。

图 A、B、C 比较了疫情最严重和最轻微的十个城市的ILI的时间动态差异。可以发现各城市之间疫情强度差异多年来一直保持不变。

其中，图 A、B的发病率数据经过了均一化处理到0到1之间。图 C 的点表示平均值，数线表示表示四分位数范围。图标已经包含了 95% 的 ILI 发病数据，相关数据已进行了修正和均一化处理。

图 D、E、F 显示了不同城市的规模与疫情严重程度的关系。

其中，图 D 圆点的大小表示人口规模，圆点的颜色表示疫情严重程度。图中使用了亚特兰大（Atlanta）和迈阿密（Miami）两座城市进行比对。我们可以看到和亚特兰大相比，迈阿密疫情总体较多，但在爆发期（峰值）却要比亚特兰大要弱。

图 E 是城市规模与疫情程度图像，从图中我们能够看出越大的城市疫情的严重程度似乎越低。

图 F 是城市比湿（specific humidity）均值和方差图像。从图中我们可以看到疫情严重的城市往往是东部人口规模较小的城市，并且湿度的季节性波动幅度较大。

为何不同城市

差异显著而稳定？

我们发现城市之间的疫情差异是多年不变的：一些城市的流行疾病每年都比别的城市要严重一些。在传染病学上，这些城市之间的差异是显著的，在数量上与抗原转移相关的年份之间的强度差异相当。这一点，在其他的公开数据和更大的时间范围内的数据中都存在。

平均强度的差异显示了一种地理模式，东部地区的传染病疫情比较严重，平均疫情，也随着人口规模和气候的变化而变化。特别是在人口较少且湿度的季节性波动幅度较大的地区，疫情尤为严重。

模型假设影响因素1：气候

我们假设这些模式是由对气候影响的不同反应引起的，这种反应又是由不同城市的时空传播风险差异导致的。冬天湿度较低，病菌能在宿主外生活更长的时间，这样就使得被感染人群产生的“风险云”更大了，也就增加了人群的传播风险。季节性的、气候驱动的传播风险的提升因此推动了冬季感染人数的上升，最终导致了疫情爆发。

然而，当宿主监局较小时，气候的影响就不那么重要了。例如那些因为工作生活长期在一起的人。这样的不受气候影响的传播风险可能会促进疫情在更宽泛的气候条件下传播，进而降低流感高峰季节人群的易感性，从而影响疫情的动态特征。

因此，我们认为，在气候影响下，基础传播风险的提高会导致城市间的传染病扩散：市中心基础传播风险的增强，提高了在非感染季疫情传播的能力，这样也能提高人群的免疫能力。最终在疫情爆发时候，疫情的威力被减弱了。

大城市的基础传播风险较高使得传染病传播较广，这一点与一般的直觉常识相反。

模型假设影响因素2：基础传播风险

图 B 是假设的人群传播图，红色的上图是基础传播风险较弱的城市，蓝色的下图是基础传播风险较强的城市。

黄色的线表示一次感染事件，我们会发现在基础传播风险较弱的地区，疫情早期的传播风险很差，而爆发期又很严重。蓝色的区域相反，因为基础传播风险强，使得在疫情爆发的时候，大多数人已经获得了免疫能力，疫情爆发的强度被降低了。

图 C 红蓝中曲线就对应了不同基础传播风险的城市模拟出的疫情强度情况。

图 D 则是亚特兰大和曼哈顿的疫情强度曲线，我们可以看到现实的结果和模拟出的预测数据是相符的。

实验证明：

模型假设合理，但仍有局限

图 A、B 是对两个城市做模型拟合出来的曲线。

图 C 是所有城市观测和模拟到的疫情强度相关性图像。

图 D 是在年份-城市（用邮政编码表示）的维度下，模拟到的疫情情况和观测值。

图 E 表示的是人口人不与流动的模式。灰色的点表示的是城市在人口普查中每个区块预期的人口数量，被着色的点表示的是人口流动带来的一个区块中人群的人口数量，从图中我们能够看到在规模较大的城市，住宅和白天的人口分布更有组织性，昼夜人口流动带来的的分界也更加明确。

图 F 添加了人群数据影响因素（黄色线条），比单独使用区块人口数据（深蓝色线条）能更好的预测基础传播风险。黄色的圆点显示的是拥挤程度最高的城市。

局限

研究者的实验证明了这一假设。当然这个模型仍然存在问题。首先，微小的数值改动也会导致预测模型的大变化。其次，模型假设的病情报告数据是连续的，但在现实中是离散的（每周）。且会不同城市的报告频率也不尽相同。最后，没有考虑到病原体演化到来的影响。

如何科学地

构建公共卫生？

我们的模型能预测城市化和气候变迁导致的流感疫情强度的具体变化。特别要说明的是，在我们的模型中，提高比湿的季节性波动幅度会导致更加强烈的疫情发生，然而大城市因为基础传播风险较高可以抵消这种影响。

值得注意的是，在流感季节到来之前，接种疫苗能够通过非高峰期传播模仿人群免疫力的积累，提高直接和间接的保护，降低疫情爆发的影响。这也说明了，在气候环境日趋极端的环境下，接种疫苗对提高中提人口的免疫能力有好处。疫情的加强提高了我们对公众卫生系统能力的要求。这对于流感而言尤为重要，因为疫苗接种的影响取决于是否及时开发和发放当年疫苗。