[论文解读] Beyond $R_0$: Heterogeneity in secondary infections and probabilistic epidemic forecasting

Laurent Hébert‐Dufresne, Benjamin M. Althouse+2 more|arXiv (Cornell University)|Feb 10, 2020

COVID-19 epidemiological studies被引用 16

一句话总结

本文提出了一种基于网络的流行病预测框架，通过引入次生感染的完整分布（包括异质性），超越了基本繁殖数 $R_0$ 的局限。利用接触追踪数据和概率生成函数，研究发现疫情规模在很大程度上取决于传播变异程度，而不仅仅是 $R_0$，并表明忽略异质性会导致流行病预测中出现巨大的不确定性。

ABSTRACT

The basic reproductive number -- $R_0$ -- is one of the most common and most commonly misapplied numbers in public health. Although often used to compare outbreaks and forecast pandemic risk, this single number belies the complexity that two different pathogens can exhibit, even when they have the same $R_0$. Here, we show how to predict outbreak size using estimates of the distribution of secondary infections, leveraging both its average $R_0$ and the underlying heterogeneity. To do so, we reformulate and extend a classic result from random network theory that relies on contact tracing data to simultaneously determine the first moment ($R_0$) and the higher moments (representing the heterogeneity) in the distribution of secondary infections. Further, we show the different ways in which this framework can be implemented in the data-scarce reality of emerging pathogens. Lastly, we demonstrate that without data on the heterogeneity in secondary infections for emerging infectious diseases like COVID-19, the uncertainty in outbreak size ranges dramatically. Taken together, our work highlights the critical need for contact tracing during emerging infectious disease outbreaks and the need to look beyond $R_0$ when predicting epidemic size.

研究动机与目标

• 为解决 $R_0$ 作为流行病风险唯一指标的局限性，该指标无法捕捉传播异质性。
• 开发一种预测流行病规模的方法，该方法不仅考虑次生感染分布的均值 $R_0$，还纳入更高阶矩。
• 证明忽略次生感染中的异质性会导致疫情规模预测的不确定性显著增加。
• 提供一种实用框架，利用早期接触追踪数据估计传播分布，并在新兴疫情中提升实时预测能力。

提出的方法

• 重新表述并扩展了经典随机网络理论结果（Newman 等，2001），使用度分布的概率生成函数（PGF）来建模流行病传播。
• 利用接触追踪数据估计次生感染分布的一阶矩（$R_0$）和高阶矩（异质性）。
• 采用负二项分布对次生感染分布进行建模，参数化为 $R_0$ 和聚集参数 $k$，从而灵活刻画超级传播事件。
• 通过关系式 $G_1(x) = G_0'(x)/G_0'(1)$，从次生感染的 PGF $G_1(x)$ 推导出接触网络度分布的 PGF $G_0(x)$。
• 通过寻找 $u = G_1(u)$ 的不动点 $u$，并使用数值松弛法计算 $R(∞) = 1 - G_0(u)$，求解最终疫情规模 $R(∞)$。
• 使用合成数据和真实世界数据验证该框架，结果表明当异质性较高时，仅依靠 $R_0$ 无法实现准确预测。

实验结果

研究问题

• RQ1 当 $R_0$ 保持不变时，传播异质性如何影响疫情的最终规模？
• RQ2 接触追踪数据能否用于估计次生感染分布的 $R_0$ 以及聚集参数 $k$？
• RQ3 在次生感染中忽略异质性，会在多大程度上增加流行病预测的不确定性？
• RQ4 如何通过整合完整分布信息的基于网络的模型，提升在新兴疫情中的实时流行病预测能力？
• RQ5 当传播高度异质时，初始次生感染数量（如零号病人）与最终疫情规模之间存在何种关系？

主要发现

• 两种病原体即使 $R_0$ 相同，也可能因传播异质性不同而导致疫情规模截然不同，这使得 $R_0$ 作为唯一预测指标不再成立。
• 最终疫情规模不仅由 $R_0$ 决定，更关键的是次生感染分布的全貌，尤其是超级传播事件的存在。
• 当忽略异质性时，即使 $R_0$ 估计准确，预测疫情规模的不确定性也会显著上升。
• 该框架表明，$R_0 > 1$ 虽为大规模疫情的必要条件，但并非充分条件；次生感染分布的形状决定了疫情是否会爆发。
• 零号病人的预期次生感染数可能与其 $R_0$ 值存在显著差异，具体取决于网络结构和 $p_0$（无接触概率）。
• 该模型表明，通过接触追踪和感染控制管理超级传播事件，可能比仅针对平均传播效率更有效。