对美中“零号病人”出现时间的最新探讨
4个月前，在下不小心写了一篇爆款文《网民要求美国重查去年“流感”样品，美国真查了！》，莫名其妙就火了，如同野火燎原一般在微信上疯传。这篇文章引用了美国西雅图华盛顿大学的一项流行病研究。在美国的新冠疫情爆发后，他们对今年1月 - 3月之间收集冻存的数千份“流感”状样本进行了新冠测序，结果是在2月24日之前收集的样本中，测到的新冠病例为零。
上个月，西雅图的这个新冠回测研究在《新英格兰医学杂志》上正式发表了，所以我认为有必要再写个文章对这个溯源问题做一个补充说明。
读者也许能看出，西雅图的这个研究，优点是样本量很大，达到了数千，但是如果用来作为研究美国新冠病毒传播起源点的估算，它还有一个缺点：
在理论上说，如果在某一个时间点上知道新冠病例的绝对数量，同时知道病毒传播速度（加倍时间）的话，就能够估算出“零号病人”出现的时间。
而在这个西雅图流感项目中，第一例新冠阳性样本仅仅出现在2月24日。病例数量太少，再向前溯源的计算就没法做了，除非你相信这个病例就是美国的“零号”病例。
显然不行。
因为，数千样本固然可观，但毕竟只是大西雅图区数百万居民的一个小小部分，而且这个研究依赖于有流感症状的患者自愿提供样本，涵盖性有很大的局限。
那么，有没有一种管中窥豹的办法，利用西雅图流感项目这个接近随机的抽样研究，来对大西雅图区的整体感染数量做一个估算呢？
还真有。
因为，妙就妙在这个研究的名字叫做“西雅图流感项目”，也就是说它本来就是为了流感病毒传播而度身定做的，测新冠仅仅是顺手牵羊而已。在2月24到3月9日之间，他们共测到了442个流感阳性，以及25个新冠阳性，无人同时感染两种病毒。
这个比例简直太太太太关键了。
因为医学界对季节性流感病例的估算已经有丰富的经验和模型，由于流感和新冠的症状极其类似，我们可以假定志愿提供样本的病人中，流感和新冠比例准确反映了社会整体状况。所以可以用流感数量预测新冠病例，其结果是：
在2月24和和3月9日之间，大西雅图区域新冠感染（有症状者）数量为 6748人，95%的置信区间为【4133，11020】人。再考虑到可能有一半的感染者是无症状的，也就不可能自愿给这个项目寄样本。所以实际感染数量或许超过一万五千人。
根据目前的研究，西雅图区的新冠加倍时间为6天，以此换算，美国“零号病人”出现的时间为1月6日，95%置信区间是从2019年的12月25日到2020的1月15日。
这个预测是美国德州大学奥斯丁分校和香港大学做的，发表在8月11号一期的EClinicalMedicine 杂志。
那么这个结果的可靠性如何呢？
凑巧的是，武汉也有一个和这个“西雅图流感”研究很类似的流感样本回测项目，但是数量要少得多。在武汉儿童医院和武汉第一医院，他们回测了从12月30号到1月12日之间收集的26个流感状鼻咽提取物，发现了4个新冠阳性和7个流感，这个比例大大超过了西雅图的比例，而那个时期也正是武汉疫情的升腾期。这似乎也说明，用新冠对流感的比例评估疫情烈度，挺靠谱。
同样的计算可以给出武汉零号病人的出现时间。根据不同的报道，如采用一个比较低的加倍时间的话，零号病人出现是在11月17日，95%置信区间从2019的10月26到12月3号，居然和一些曝光的所谓“政府内部资料”所披露的是一模一样。
（图片来自网络）
参考资料
Coronavirus: China’s first confirmed Covid-19 case traced back to November 17
https://www.scmp.com/news/china/society/article/3074991/coronavirus-chinas-first-confirmed-covid-19-case-traced-back
Using the COVID-19 to influenza ratio to estimate early pandemic spread in Wuhan, China and Seattle, US.
https://www.thelancet.com/journals/eclinm/article/PIIS2589-5370(20)30223-6/fulltext
Early Detection of Covid-19 through a Citywide Pandemic Surveillance Platform. https://www.nejm.org/doi/full/10.1056/NEJMc2008646
最新评论
推荐文章
作者最新文章
你可能感兴趣的文章
Copyright Disclaimer: The copyright of contents (including texts, images, videos and audios) posted above belong to the User who shared or the third-party website which the User shared from. If you found your copyright have been infringed, please send a DMCA takedown notice to [email protected]. For more detail of the source, please click on the button "Read Original Post" below. For other communications, please send to [email protected].
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。
版权声明：以上内容为用户推荐收藏至CareerEngine平台，其内容（含文字、图片、视频、音频等）及知识版权均属用户或用户转发自的第三方网站，如涉嫌侵权，请通知[email protected]进行信息删除。如需查看信息来源，请点击“查看原文”。如需洽谈其它事宜，请联系[email protected]。