扩散信息、交通管制、自我隔离，哪个更能遏制病毒传播？

本文来自微信公众号：集智俱乐部，作者：郭瑞东

新型冠状病毒感染的肺炎疫情在持续扩散，新闻各类报道的扑面而来显然已经造成了读者的信息过载。本文尝试对信息与行为这一跨学科领域进行分析，并就此问题进行总结与展望。

随着近期冠状病毒的蔓延，各类信息如潮水般涌来，而过多资讯则会让读者感到信息过载（information overload）。过载的信息中大多带有情绪指向，会让我们感到同情疲劳。相信你经过连续多天的疫情信息轰炸，已经进入了信息过载阶段。

但关于疾病传播，信息与行为之间的关系，还有很多研究值得深入探索。疾病与行为的相关研究，称为疾病—行为动力学（disease–behavior dynamics），是一个涉及到社会科学、复杂网络、行为科学、传染病学、健康心理学的交叉研究领域。本文将概述相关领域的多篇论文，并以此展望论文背后还存在哪些值得探索的问题。

1. 社交媒体如何影响疫情：信息传播和疾病传播的关系

在当前众多预测患病人数的模型中，大多没有考虑到社交网络上疯传的防控信息会对疾病传播有何影响。而这导致的结果是，预测模型考虑的都是在不采取干预措施前提下的疾病传播动力学。这既会导致对真实患病人数的不准确估计，也无法对疾病管控措施提供指导——最应该才去实施的是什么措施。

图1：疾病传播与行为之间相互作用示意图

2015 年一篇名为《Coupled disease–behavior dynamics on complex networks：A review》的综述，指出了疾病动力学与人类行为动力学之间的反馈回路。如上图所示，疾病的发展，会影响人们对疾病风险的认识，而人的行为通过社交压力和社会连接的调整，又影响着疾病的传播。疾病传播和人类行为，两者由此相互影响。

在对社交行为建模时，最简单的是基于规则的建模方法（rule-based modeling），例如设定随着时间的推移或人们对疾病的进一步认识，疾病的传播速率会变低。更复杂的模型是由Hagerstrand在1967年提出平均信息域（mean information field），该模型考虑了人的行为在传播过程中，是否采取某个行为，取决于周围的人采取该行为的比例是否达到阀值。其他的建模方法包括基于主体的建模（agent based modeling），网格网络（lattice network）。

对“疾病-行为动力学”领域更具体的建模参考：

论文题目：

Coupled disease–behavior dynamics on complex networks：A review

论文地址：

https://www.sciencedirect.com/science/article/pii/S1571064515001372

论文题目：

Coupling infectious disease, human preventive behaviour, and networks - A conceptual framework for epidemic modeling

论文地址：

https://www.sciencedirect.com/science/article/abs/pii/S0277953611006551

2. 疾病信息也有“过犹不及”：过量信息会妨碍疫情控制

加深对疾病的认识，能够避免疾病在网络中的进一步传播，这是[3-7]的文献所得出的共同结论。但还有一个反直觉的发现是，对疾病的认识水平，存在“过犹不及”的现象。

在2020年初的一项新研究中[1]，作者将对疾病的认识分为全局性的和地区性的，在模拟预测中发现：对于本身传播能力中等的疾病，提高大众对疾病的认知，能够降低最终感染者的比例。但同时该文还指出，并不是随着对疾病的认识提高，感染者比例就会随之下降，而是存在一个最优的疾病认识水平，此时的感染者比例最低。在基于谷歌流感搜索量真实数据的论文[2]中，也有类似的研究结论。

对疾病的进一步认识，还能够减少疾病流行的时间，在[8]中，针对三种不同的网络结构（随机网络Ge，小世界网络Gw，无标度网络Gs），基于SIR模型，研究了疾病传染率与大众对疾病的认知程度之间的关系。

 图 2：不同网络结构下，感染者比例随时间的变化[8]

如图 2 所示，研究者在不同的网络结构的模拟数据中，对比了对疾病进一步认知后，疾病传染率随时间变化的程度。可以发现，加深大众对疾病的认知，虽然使得感染率的峰值到达得更晚（传播时间更久），但感染率峰值会显著降低。基于这项研究结论可以推出，随着对疾病的认识，患病人数增长的峰值，虽然会来得更晚一些，但由于前期传播率的降低，会导致总的患病人数的降低。

3. 在疾病传播模型中引入潜伏期因素

考虑到一些病毒存在较长的潜伏期，且轻症病患缺少明显症状，只使用传统的SIR模型，会难以考虑到潜伏病患以及轻症患者带来的疾病传播。研究者[9]提出了 SAUIS 模型，引入了两个新的状态 U 和 A 。其中 U 代表无明显临床症状，有传染性的患者，A代表该患者是否知道自己患病。

图 3：考虑病毒潜伏期的疾病传播SAUIS模型[9]

如上图所示，在 SAUIS模型下，还可以探讨疾病变异后，造成的传播率beta有所不同时，对疾病的传播密度的影响。

图 4：疾病诊断和无明显症状患者比例与疾病最终传播密度的关系示意图[9]

这项研究展示了不同的病患的诊断比例（图 4 左）和病患中无明显症状的比例（图 4 右）所带来的影响。研究者发现，对无典型症状疾病的诊断比例越高，疾病密度（图中纵轴）越低，而无明显病患的比例越高，疾病的密度越高，且差异较大。图中的横轴指疾病传播率（variability measure）越大，疾病的传播密度越大。

该模拟研究还发现，在估计对当前患病人数时，需要考虑无明显症状患者的比例，以得出更准确的估计。在另一个相关的研究[10]中，研究者提出了 UAU-SEIS 模型，在多元网络（multiplex network）上，考察了无典型症状患者对疾病传播动力学的影响。

4. 降低疾病传播的措施很多，如何评估影响大小

相比2003前的 SARS 疫情，当前的交通吞吐量和线路交叉密集程度，有了显著提升。那么通过切断远距离客运交通，能在多大程度上，避免疾病的进一步传播？这是论文[11]研究的问题。

图 5：疾病传播网络示意图[11]

研究者提出了考虑节点异质性的网络模型，图中节点间连接边的粗细代表出行到达所需的时间不同。

而通过模拟可以得出，针对不同传播率的疾病，各自存在着一个临界点，当小于这个临界点之后，相变（phase transition）会使疾病从传播状态迅速变为停止状态。

图 6：SIR模型中康复人群的比例与切断交通的程度间的关系示意图[11]

图中的蓝色和红色代表两种不同的疾病传播率（蓝色较大），该研究带来的启示是切断远程交通，确实是有效果的，且有限度的控制就足够了。

针对陌生的疾病，摸着石头过河是符合实事求是精神的，也就是采取随机化的实验，去尝试哪种方法相对更好。论文[12]探讨了如何设计并评估通过随机化实验，降低疾病传播性的方法。该文指出，直接观察随机实验产生的直接影响，无法对干预方案的效果（降低疾病传播率）进行客观的评价。

5. 总结与展望

疾病的传播带来的信息流，在某些情况下，会对疾病的传播提供负反馈，从而降低疾病传播的效率；而在某些情况下，由于恐慌和群体思维，会导致无明显症状的患者的长距离迁徙，从而带来疾病传播的正反馈，在一段时间内加剧疾病的爆发。

这正是为何在世界卫生组织的新闻发布会上，相关专家指出：封城对控制疾病的传播有多大作用，是相对复杂的，值得考量的，目前难以进行评估。

本文概述的模型并不完全，希望读者能提供更多的相关文献，以帮助相关研究者，更好地对当前的疾病传播进行建模，对控制措施的影响和可行性进行建模。欢迎留言分享。

参考文献：

[1] Li, M., Wang, M., Xue, S. and Ma, J. The influence of awareness on epidemic spreading on random networks. Volume 486, 7 February 2020, 110090.

[2] Wang, W., Liu, Q., Cai, S., Tang, M., Braunstein, L. and Stanley, H. Suppressing disease spreading by using information diffusion on multiplex networks. 2016, Scientific Reports volume 6, Article number: 29259.

[3] Franco Bagnoli, Pietro Liò, and Luca Sguanci. Risk perception in epidemic modeling. 2007, Phys. Rev. E 76, 061904 . 

[4] Ferguson， N. Capturing human behaviour. 2007, Nature 446，733-733.

[5] Kitchovitch， S.， Lió， P.， 2010. Risk perception and disease spread on social networks. 292 Procedia Computer Science 1， 2345-2354.

[6] Hiroshi Nishiura. Time variations in the transmissibility of pandemic influenza in 308 Prussia, Germany, from 1918-19. Theoretical Biology and Medical Modelling 4， 1-9.

[7] Meloni, S., Perra, N., Arenas, A., Gómez, S., Moreno, Y. and Vespignani, A. , 2011. Modeling human mobility responses to the large-scale spreading of infectious diseases. Scientific Reports 1， 62.

[8] Azizi, A., Montalvo, C., Espinoza, B., Kang, Y. and Castillo-Chavez, C. Epidemics on networks: Reducing disease transmission using health emergency declarations and peer communication.,Volume 5, 2020, Pages 12-22.

[9] Zhang, H., Xie, J., Chen, H., Liu, C. and Small,. Impact of asymptomatic infection on coupled disease-behavior dynamics in complex networks. 2016. EPL (Europhysics Letters), Volume 114, Number 3.[10] Shi, T., Long, T., Pan, Y., Zhang, W., Dong, C. and Yin, Q. Effects of asymptomatic infection on the dynamical interplay between behavior and disease transmission in multiplex networks. Volume 536, 15 December 2019, 121030.

[11] Perez, I., Trunfio, P., La Rocca, C. and Braunstein, L. Controlling distant contacts to reduce disease spreading on disordered complex networks. 2019. arXiv.org. 

[12] Daniel J. Eck, Olga Morozova, Forrest W. Crawford. Randomization for the direct effect of an infectious disease intervention in a clustered study population. 2018.

本文来自微信公众号：集智俱乐部，作者：郭瑞东