[论文解读] Stochasticity and heterogeneity in the transmission dynamics of SARS-CoV-2

Althouse Bm, Wenger Ea+5 more|arXiv (Cornell University)|May 27, 2020

COVID-19 epidemiological studies参考文献 48被引用 71

一句话总结

本论文显示 SARS-CoV-2 传播高度随机且具过度离散性，受超级传播事件(SSEs)主导，针对 SSEs 的干预可以有效控制疫情。

ABSTRACT

SARS-CoV-2 causing COVID-19 disease has moved rapidly around the globe, infecting millions and killing hundreds of thousands. The basic reproduction number, which has been widely used and misused to characterize the transmissibility of the virus, hides the fact that transmission is stochastic, is dominated by a small number of individuals, and is driven by super-spreading events (SSEs). The distinct transmission features, such as high stochasticity under low prevalence, and the central role played by SSEs on transmission dynamics, should not be overlooked. Many explosive SSEs have occurred in indoor settings stoking the pandemic and shaping its spread, such as long-term care facilities, prisons, meat-packing plants, fish factories, cruise ships, family gatherings, parties and night clubs. These SSEs demonstrate the urgent need to understand routes of transmission, while posing an opportunity that outbreak can be effectively contained with targeted interventions to eliminate SSEs. Here, we describe the potential types of SSEs, how they influence transmission, and give recommendations for control of SARS-CoV-2.

研究动机与目标

• 突出 SARS-CoV-2 传播中的随机性与异质性的作用。
• 描述超级传播事件及其感染的后代分布。
• 评估减少尾部传播（SSEs）如何影响疫情控制。
• 提供面向热点的监测与干预建议。

提出的方法

• 使用负二项分布，均值为 R0、离散参数为 k，建模每个感染者的后代感染。
• 在随机分支过程中比较 NB 与 Poisson 的后代分布。
• 在不同人口规模下模拟疫情轨迹，以说明灭绝概率与爆发式增长。
• 分析截断 NB 分布尾部（削减大型 SSEs）对 R_eff 与疫情风险的影响。
• 讨论 SSEs 的类型与场景以及潜在的定向干预。

实验结果

研究问题

• RQ1 传播异质性与 SSEs 对早期疫情动态的影响？
• RQ2 相对于 Poisson，过度离散的 NB 后代分布如何改变灭绝概率与表观增长？
• RQ3 有针对性地减少尾部传播（SSEs）是否能显著降低 R_eff 与疫情风险？
• RQ4 SSEs 在哪些场景发生，如何干预以减轻其影响？

主要发现

• SSEs 驱动传播，导致低流行水平时高度随机性，且疫情起爆时出现爆炸性增长。
• SARS-CoV-2 表现出高离散度，k 值较小，导致存在一条长尾的高二次感染，在某些疫情中主导传播。
• 消除或截断大型 SSEs 能显著降低 R_eff 与大型疫情发生概率，通常比统一的大范围措施更有效。
• 热点地区、室内、通风差的环境常常成为 SSEs 的发生地，为监测和干预提供目标。
• 早期疫情动态表现出更高的随机性和灭绝风险，而一旦超过 SSE 阈值，已建立的疫情将趋向与 Poisson 模型相似的指数增长。
• 有针对性的干预（削减尾部，即减少大型二次感染）可以使传播链更可能崩溃。