年度评论：从人类移动数据透视流行病传播

原创 郭瑞东 集智俱乐部 

导语

无论是本地还是远距离的人群移动，都推动了新冠在社区内部和社区间的传播。与此同时，尽管大多数传染事件涉及人群移动，但并非所有人群移动都会导致传染事件，从已知的人类移动数据中，获取病毒传播的知识，在学界仍然是一个挑战。然而在过去的两年里，新的数据集和分析方法，让我们对该问题有了新的认识。

研究领域：流行病建模，接触网络，疾病传播动力学，非药物干预

Laura | 作者

郭瑞东 | 译者

刘培源 | 审校

原文题目：

What human mobility data tell us about COVID-19 spread

原文链接：

https://www.nature.com/articles/s42254-021-00407-1

关键进展：

研究证实了这一观点，即长途旅行管制，限制了疫情暴发早期阶段的输入风险和新出现变异的传播。

短距离旅行与传播的关系，在不同的流行期间会发生变化。短途人员移动的减少，解释了流行病发病率的下降趋势，但旅行量的增加并不总是导致流行病发病率的增加。

新的方法，可使用全球定位系统数据估计现实的大型接触网络（large contact networks），并给出可能的情景预测，以了解疾病传播的驱动因素。

人群移动对空气传播疾病的传播至关重要，传播主要通过密切接触的聚会展开，而要相互接触，人们需要移动。在新冠大流行的两年中，人们做出了前所未有的努力，来了解人群移动性和流行病传播之间的相互作用。通过这些努力，有可能评估非药物干预措施（例如国家封锁边境）对不同群体，预防疾病传播的有效性，以及社会经济影响[1,2,3]；开发预测疾病空间扩散的模型[4,5]，并评估未来不同假设情景的结果[6]。与此同时，这些工作揭示了对于从人类移动到密切接触，进而到疾病传播的因果机制，对此仍然缺少充分的理解。

图1. 以芝加哥为例，假设采取不同程度的限制移动措施的实验结果对比。左图描述了如果只采取50%的限流措施，其结果比晚7天才决定限流更糟糕。右图进行了不做限制、限流25%、限流50%和真实的感染对比。在该模型数据中，85%的预测感染人数来自10%的关键场所。[2]

对疾病传播和人群移动性的研究分为两个截然不同的主题。第一个问题涉及长途旅行如何推动流行病在各地区（如城市或省份间）扩散的空间特征，第二个问题涉及短途旅行（在城市或社区内），如何推动短途传播。这两个问题是交织在一起的，因此它们常常同时被考虑并被建模[1, 3]。关于长途旅行，在整个新冠大流行期间开展的研究证实了这样一种理解，即跨地区旅行会在疫情暴发的早期阶段带来输入性风险，并促使新出现的病毒变种在社区间扩散。

Box1. 长途旅行：跨地理区域耦合

长途旅行信息很容易通过两个地理区域之间随时间变化的旅行量数据被捕获，这些数据可从移动电话或航空旅行数据等来源收集得到。各地区之间的旅行量在突发事件的早期决定了输入性风险[3,10]。例如，研究发现，2020年初，中国不同省份发生的新冠病例数量，与从武汉进入的旅行量有关。而实行旅行限制[3,10]，以及国际层面的旅行限制，实际上延缓了全球范围的疾病扩张。此外，描述跨国移动的数据，很好地预测了2020年夏末病毒在欧洲的复苏。然而，当疫情蔓延时，长途旅行和传播程度的关系变得不那么紧密，因为输入病例对当地链条起到的作用有限。考虑到跨地区移动所起的关键作用，特别是在疫情暴发的早期阶段，考虑由移动性引起的地理单元耦合的流行病模型，被证明优于不涉及旅行信息的模型。考虑跨地区移动的模型，能很好地捕捉各种病毒的传播。通过揭示在疫情活动有限的情况下长途旅行所起的关键作用，相关工作表明，在疫情局限于特定地区的情况下，限制长途旅行是至关重要的，而在疫情蔓延的情况下，针对当地旅行的干预措施更为有效。

图2. 基于高分辨率数据的人类接触模式与流行病传播建模分析框架。该框架利用公开的社会人口特征（年龄结构、家庭、就业率、学校结构）宏观普查数据和微观调查数据构建由交互agent组成的人群。[7]

传统上，短途接触，使用人口普查和调查等数据来源进行估计，但移动电话的普及，研究者提供了一种新方法，可捕捉短距离移动的数据[7]。该方法可在不同的尺度提供数据。大多数情况下，移动数据由城市、邮政编码或移动电话天线范围等小型空间单位内的旅行次数（或唯一旅行者）组成，使用足够小的时间单位（如小时或天）聚合而成。这些数据通常由移动电话运营商提供（现在还有GPS服务提供商，如谷歌和苹果）。这些数据集可以覆盖大部分人口。 由于这是聚合后的数据，它们保护隐私，并且可以近乎实时地收集和分析。描述短途移动的数据，被用作流行病模型的输入。通常假设存在一个简单的函数形式，能够捕捉到人群移动量与某一地点密切接触次数之间的关系。

新冠大流行期间收集的证据表明，上述假设并不成立。通过对中国四个城市约3300密接者的调查，收集来的数据显示，只在疫情传播的某些阶段，城市内旅行量与密切接触者的数量相关[8]。特别是，虽然实施封城令导致密切接触者的数量大幅减少，并相应导致移动性下降，但封城结束后，人群移动性的增加与密接者数量增加不相关。与这一发现一致的是，一项基于52个国家数据的研究表明，国内移动性与再生系数R0之间的关系，随着时间的推移发生了变化[9]。R0是衡量由受感染个人引起的继发病例数的指标。采用非药物干预措施，一般会导致移动性和传播率显著下降（以R0衡量）。然而，在措施放宽后，在大多数国家，移动性和传播能力之间的关系脱钩了，可能是因为人们采取了其他方式保持社交距离。聚焦于移动数据对流行病传播预测能力的研究，证实这些发现。美国当地移动量的信息，可以用来预测新冠发病率的下降而非上升的趋势[5]。

从政策角度看，这些结果表明，即使部分取消旅行限制，也可以控制流行病传播，只要有其它保持社交距离的行为，并执行完备的追踪密切接触者等替代策略。从建模的角度，研究结果表明，流行病模型建模人员在整合处理旅行量和接触者之间特定功能关系时应谨慎假设，特别是当模型旨在刻画各类不同情景时。

在新冠病毒疾病大流行期间，从全球定位系统轨迹和定位服务提供商获取的更详细数据，为估计短途接触开辟了一条新的研究途径。这些数据具有前所未有的详细程度[2,6]。其中一项研究，使用的数据描述了美国10个城市约60万个地点之间的游客移动情况，以估计两个人在一个给定时间和一个给定地点（例如餐馆、商店或超市）相遇的概率，该概率是根据他们居住的街区群决定的。这项研究使用了按居住区块群（block-group）整合的移动数据，并且只考虑至少有5个个体的区块，因此确保了至少5人的匿名性。通过在估计的接触网络上展开的集合人群流行病模型，该研究表明，一小部分地区可能是传播的主要原因。重新开放餐馆、健身房、酒店、咖啡馆和礼拜场所，与开放其他类型场所相比，流行病的增加幅度最大。

一项研究采用类似的方法，分析了在波士顿自愿参与的个人匿名GPS行动轨迹。这项研究针对近2%的波士顿人口，通过测量在同一地点停留的时间比例，估计任意两人在任意一天近距离接触的概率[6]。作者建立了一个真实的流行病传播模型，在该模型中，疾病在经验加权接触网络上传播，节点代表个体，链接对应密切接触概率。与依赖于简化接触模式的绝大多数流行病模型不同，这种方法解释了人类社会行为的特征，包括人与人之间接触数量的广泛异质性，以及高度互链社团的存在。该研究使用模型探索了在第一波疫情浪潮之后接触社会疏离干预的其他不同策略，并揭示了在广泛实施接触者追踪和居家隔离的前提下，波士顿逐渐重新开放活动并保持较低疾病传播率是有可能的。

图3. 整合移动设备和匿名数据的美国波士顿新冠病毒传播模型。a是根据波士顿大都会区的人类移动数据构建加权多层人口网络模型，包含约64000名成人agent和21000名儿童agent。b是马萨诸塞州的agent分布。网络中有500万条加权连边。b是根据a中agent，超过500万条连边。c是考虑易感染S、潜伏无症状LA、潜伏有症状Ls、症状发生前Ps、传染性无症状Is、传染性有症状Is、住院H、住院ICU和康复R等状态切换的模型。[6]

总体而言，这些研究证实了使用从GPS数据估计的真实接触网络来制定情景预测以了解疾病传播驱动因素的可行性。与其他方法不同的是，高分辨率移动数据可以探索不同地点（如餐馆、健身房或酒店）发生的接触是如何导致疾病传播的。它们可以进一步使我们能够评估超级传播个体所起的作用（这些超级传播者感染了大量其他人），并研究流行病如何在社会群体内部和跨社会群体传播。

然而，这些新方法的局限性尚被完全理解。例如，这些方法所依据的样本数比其他方法要小得多，并且样本存在偏向性，而且依赖于估计接触位置的若干假设和选择。此外，研究者也可能依赖个人数据。未来需要进行更多的研究，以便根据其他数据来源的估计来验证基于GPS数据推断的接触网络[7,8]，进而确定模型跨时间和跨地理区域的泛化能力，以及量化模型的不确定性。了解这些方面，对于评估将高分辨率个人数据或整合数据用于不同目的的成本收益比是至关重要的。

过去两年开展的工作，对于监测、预测和设计防控疾病传播的干预措施意义重大。大流行期间面临的挑战也提出了一些可能推动未来基础研究的问题。例如，哪些因素决定了短途旅行、密切接触和传播能力之间的关系？用于流行病建模的高分辨率移动数据的成本效益比是多少？

参考文献

1. Gozzi, N. et al. Estimating the effect of social inequalities on the mitigation of COVID-19 across communities in Santiago de Chile. Nat. Commun. 12, 2429 (2021).

2. Chang, S. et al. Mobility network models of COVID-19 explain inequities and inform reopening. Nature 589, 82–87 (2021).

3. Chinazzi, M. et al. The effect of travel restrictions on the spread of the 2019 novel coronavirus (COVID-19) outbreak. Science 368, 395–400 (2020).

4. Lemey, P. et al. Untangling introductions and persistence in COVID-19 resurgence in Europe. Nature 595, 713–717 (2021).

5. Kogan, N. E. et al. An early warning approach to monitor COVID-19 activity with multiple digital traces in near real time. Sci. Adv. 7, eabd6989 (2021).

6. Aleta, A. et al. Modelling the impact of testing, contact tracing and household quarantine on second waves of COVID-19. Nat. Hum. Behav. 4, 964–971 (2020).

7. Mistry, D. et al. Inferring high-resolution human mixing patterns for disease modeling. Nat. Commun. 12, 323 (2021).

8. Zhang, J. et al. The impact of relaxing interventions on human contact patterns and SARS-CoV-2 transmission in China. Sci. Adv. 7, eabe2584 (2021).

9. Nouvellet, P. et al. Reduction in mobility and COVID-19 transmission. Nat. Commun. 12, 1090 (2021).

10. Kraemer, M. U. G. et al. The effect of human mobility and control measures on the COVID-19 epidemic in China. Science 368, 493–497 (2020).

原标题：《Nat. Rev. Phys. 年度评论：从人类移动数据透视流行病传播》

阅读原文