[论文解读] Beyond $R_0$: the importance of contact tracing when predicting epidemics

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

COVID-19 epidemiological studies被引用 7

一句话总结

本文提出了一种随机网络理论的重新表述，利用接触追踪数据联合估计 R₀ 和继发感染的异质性，表明忽略异质性会导致疫情规模预测出现巨大不确定性——以 2019-nCoV 为例，若无此类数据，易感人群的预测范围可达 5% 至 40%。该方法通过整合有限新兴病原体数据的矩估计，提升了流行病预测的准确性。

ABSTRACT

The basic reproductive number --- R0 --- is one of the most common and most commonly misapplied numbers in public health. Nevertheless, estimating R0 for every transmissible pathogen, emerging or endemic, remains a priority for epidemiologists the world over. 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 R0. Here, we show how predicting outbreak size requires both an estimate of R0 and an estimate of the heterogeneity in the number of secondary infections. To facilitate rapid determination of outbreak risk, we propose a reformulation of a classic result from random network theory that relies on contact tracing data to simultaneously determine the first moment (R0) and the higher moments (representing the heterogeneity) in the distribution of secondary infections. Further, we show how this framework is robust in the face of the typically limited amount of data for emerging pathogens. Lastly, we demonstrate that without data on the heterogeneity in secondary infections for emerging pathogens like 2019-nCoV, the uncertainty in outbreak size ranges dramatically, in the case of 2019-nCoV from 5-40% of susceptible individuals. Taken together, our work highlights the critical need for contact tracing during emerging infectious disease outbreaks and the need to look beyond R0 when predicting epidemic size.

研究动机与目标

• 为解决广泛依赖 R₀ 作为预测疫情风险唯一指标的问题，尽管其在捕捉传播异质性方面存在局限。
• 证明即使 R₀ 相同，两种病原体也可能因传播异质性差异而产生截然不同的疫情规模。
• 开发一种利用接触追踪数据估计 R₀ 及继发感染分布高阶矩的方法。
• 通过整合传播异质性，特别是在新兴疫情初期数据稀缺的情况下，提升疫情规模预测的准确性。
• 强调接触追踪不仅对控制疫情至关重要，也对优化疫情预测具有关键作用

提出的方法

• 重新表述随机网络理论中的经典结果，将接触追踪数据纳入考量，以估计继发感染分布的一阶及高阶矩。
• 利用接触追踪数据推断继发感染的分布，从而实现对 R₀ 及传播方差（或更高阶矩）的估计。
• 将该方法应用于 2019-nCoV 等新兴病原体的真实世界数据，评估其在数据稀缺条件下的表现。
• 采用分支过程框架模拟传播动态，通过高阶矩显式刻画传播异质性。
• 在典型新兴传染病疫情中数据有限的条件下，验证该方法的稳健性。
• 量化在忽略异质性与通过接触追踪估计异质性两种情形下，疫情规模预测的不确定性

实验结果

研究问题

• RQ1 当仅以 R₀ 作为指标时，传播异质性如何影响疫情规模的预测？
• RQ2 接触追踪数据能否同时用于估计 R₀ 和继发感染的方差？
• RQ3 在预测新兴疫情最终规模时，引入传播异质性如何降低不确定性？
• RQ4 当应用于 2019-nCoV 等新兴病原体的有限数据时，该方法的稳健性如何？
• RQ5 忽略传播异质性对疫情预测可靠性有何影响？

主要发现

• 即使 R₀ 相同，两种病原体也可能因传播异质性差异而产生截然不同的疫情规模。
• 接触追踪数据可用于估计 R₀ 及继发感染分布的高阶矩，从而提升疫情预测的准确性。
• 若缺乏传播异质性的数据，2019-nCoV 的预测疫情规模范围可达易感人群的 5% 至 40%，表明存在极端不确定性。
• 所提出的方法通过整合异质性信息，显著降低了该不确定性，凸显其在疫情早期评估中的价值。
• 即使数据有限，该框架仍具稳健性，适用于传播记录稀疏的新兴病原体。
• 本研究强调，接触追踪不仅对疫情控制至关重要，也对实现准确的疫情预测具有关键作用