無論是本地還是遠距離的人群移動，都推動了新冠在社區內部和社區間的傳播。與此同時，儘管大多數傳染事件涉及人群移動，但並非所有人群移動都會導致傳染事件，從已知的人類移動數據中，獲取病毒傳播的知識，在學界仍然是一個挑戰。然而在過去的兩年裡，新的數據集和分析方法，讓我們對該問題有了新的認識。
研究領域：流行病建模，接觸網絡，疾病傳播動力學，非藥物干預
原文題目：
What human mobility data tell us about COVID-19 spread
原文鏈接：
https://www.nature.com/articles/s42254-021-00407-1
關鍵進展：
研究證實了這一觀點，即長途旅行管制，限制了疫情暴發早期階段的輸入風險和新出現變異的傳播。
短距離旅行與傳播的關係，在不同的流行期間會發生變化。短途人員移動的減少，解釋了流行病發病率的下降趨勢，但旅行量的增加並不總是導致流行病發病率的增加。
新的方法，可使用全球定位系統數據估計現實的大型接觸網絡（large contact networks），並給出可能的情景預測，以了解疾病傳播的驅動因素。
人群移動對空氣傳播疾病的傳播至關重要，傳播主要通過密切接觸的聚會展開，而要相互接觸，人們需要移動。在新冠大流行的兩年中，人們做出了前所未有的努力，來了解人群移動性和流行病傳播之間的相互作用。通過這些努力，有可能評估非藥物干預措施（例如國家封鎖邊境）對不同群體，預防疾病傳播的有效性，以及社會經濟影響[1,2,3]；開發預測疾病空間擴散的模型[4,5]，並評估未來不同假設情景的結果[6]。與此同時，這些工作揭示了對於從人類移動到密切接觸，進而到疾病傳播的因果機制，對此仍然缺少充分的理解。圖1. 以芝加哥為例，假設採取不同程度的限制移動措施的實驗結果對比。左圖描述了如果只採取50%的限流措施，其結果比晚7天才決定限流更糟糕。右圖進行了不做限制、限流25%、限流50%和真實的感染對比。在該模型數據中，85%的預測感染人數來自10%的關鍵場所。[2]
對疾病傳播和人群移動性的研究分為兩個截然不同的主題。第一個問題涉及長途旅行如何推動流行病在各地區（如城市或省份間）擴散的空間特徵，第二個問題涉及短途旅行（在城市或社區內），如何推動短途傳播。這兩個問題是交織在一起的，因此它們常常同時被考慮並被建模[1, 3]。關於長途旅行，在整個新冠大流行期間開展的研究證實了這樣一種理解，即跨地區旅行會在疫情暴發的早期階段帶來輸入性風險，並促使新出現的病毒變種在社區間擴散。Box1. 長途旅行：跨地理區域耦合
長途旅行信息很容易通過兩個地理區域之間隨時間變化的旅行量數據被捕獲，這些數據可從移動電話或航空旅行數據等來源收集得到。各地區之間的旅行量在突發事件的早期決定了輸入性風險[3,10]。例如，研究發現，2020年初，中國不同省份發生的新冠病例數量，與從武漢進入的旅行量有關。而實行旅行限制[3,10]，以及國際層面的旅行限制，實際上延緩了全球範圍的疾病擴張。此外，描述跨國移動的數據，很好地預測了2020年夏末病毒在歐洲的復甦。然而，當疫情蔓延時，長途旅行和傳播程度的關係變得不那麼緊密，因為輸入病例對當地鏈條起到的作用有限。考慮到跨地區移動所起的關鍵作用，特別是在疫情暴發的早期階段，考慮由移動性引起的地理單元耦合的流行病模型，被證明優於不涉及旅行信息的模型。考慮跨地區移動的模型，能很好地捕捉各種病毒的傳播。通過揭示在疫情活動有限的情況下長途旅行所起的關鍵作用，相關工作表明，在疫情局限於特定地區的情況下，限制長途旅行是至關重要的，而在疫情蔓延的情況下，針對當地旅行的干預措施更為有效。圖2. 基於高分辨率數據的人類接觸模式與流行病傳播建模分析框架。該框架利用公開的社會人口特徵（年齡結構、家庭、就業率、學校結構）宏觀普查數據和微觀調查數據構建由交互agent組成的人群。[7]
傳統上，短途接觸，使用人口普查和調查等數據來源進行估計，但移動電話的普及，研究者提供了一種新方法，可捕捉短距離移動的數據[7]。該方法可在不同的尺度提供數據。大多數情況下，移動數據由城市、郵政編碼或移動電話天線範圍等小型空間單位內的旅行次數（或唯一旅行者）組成，使用足夠小的時間單位（如小時或天）聚合而成。這些數據通常由移動電話運營商提供（現在還有GPS服務提供商，如谷歌和蘋果）。這些數據集可以覆蓋大部分人口。由於這是聚合後的數據，它們保護隱私，並且可以近乎實時地收集和分析。描述短途移動的數據，被用作流行病模型的輸入。通常假設存在一個簡單的函數形式，能夠捕捉到人群移動量與某一地點密切接觸次數之間的關係。新冠大流行期間收集的證據表明，上述假設並不成立。通過對中國四個城市約3300密接者的調查，收集來的數據顯示，只在疫情傳播的某些階段，城市內旅行量與密切接觸者的數量相關[8]。特別是，雖然實施封城令導緻密切接觸者的數量大幅減少，並相應導致移動性下降，但封城結束後，人群移動性的增加與密接者數量增加不相關。與這一發現一致的是，一項基於52個國家數據的研究表明，國內移動性與再生係數R0之間的關係，隨着時間的推移發生了變化[9]。R0是衡量由受感染個人引起的繼發病例數的指標。採用非藥物干預措施，一般會導致移動性和傳播率顯著下降（以R0衡量）。然而，在措施放寬後，在大多數國家，移動性和傳播能力之間的關係脫鈎了，可能是因為人們採取了其他方式保持社交距離。聚焦於移動數據對流行病傳播預測能力的研究，證實這些發現。美國當地移動量的信息，可以用來預測新冠發病率的下降而非上升的趨勢[5]。從政策角度看，這些結果表明，即使部分取消旅行限制，也可以控制流行病傳播，只要有其它保持社交距離的行為，並執行完備的追蹤密切接觸者等替代策略。從建模的角度，研究結果表明，流行病模型建模人員在整合處理旅行量和接觸者之間特定功能關係時應謹慎假設，特別是當模型旨在刻畫各類不同情景時。在新冠病毒疾病大流行期間，從全球定位系統軌跡和定位服務提供商獲取的更詳細數據，為估計短途接觸開闢了一條新的研究途徑。這些數據具有前所未有的詳細程度[2,6]。其中一項研究，使用的數據描述了美國10個城市約60萬個地點之間的遊客移動情況，以估計兩個人在一個給定時間和一個給定地點（例如餐館、商店或超市）相遇的概率，該概率是根據他們居住的街區群決定的。這項研究使用了按居住區塊群（block-group）整合的移動數據，並且只考慮至少有5個個體的區塊，因此確保了至少5人的匿名性。通過在估計的接觸網絡上展開的集合人群流行病模型，該研究表明，一小部分地區可能是傳播的主要原因。重新開放餐館、健身房、酒店、咖啡館和禮拜場所，與開放其他類型場所相比，流行病的增加幅度最大。一項研究採用類似的方法，分析了在波士頓自願參與的個人匿名GPS行動軌跡。這項研究針對近2%的波士頓人口，通過測量在同一地點停留的時間比例，估計任意兩人在任意一天近距離接觸的概率[6]。作者建立了一個真實的流行病傳播模型，在該模型中，疾病在經驗加權接觸網絡上傳播，節點代表個體，鏈接對應密切接觸概率。與依賴於簡化接觸模式的絕大多數流行病模型不同，這種方法解釋了人類社會行為的特徵，包括人與人之間接觸數量的廣泛異質性，以及高度互鏈社團的存在。該研究使用模型探索了在第一波疫情浪潮之後接觸社會疏離干預的其他不同策略，並揭示了在廣泛實施接觸者追蹤和居家隔離的前提下，波士頓逐漸重新開放活動並保持較低疾病傳播率是有可能的。圖3. 整合移動設備和匿名數據的美國波士頓新冠病毒傳播模型。a是根據波士頓大都會區的人類移動數據構建加權多層人口網絡模型，包含約64000名成人agent和21000名兒童agent。b是馬薩諸塞州的agent分布。網絡中有500萬條加權連邊。b是根據a中agent，超過500萬條連邊。c是考慮易感染S、潛伏無症狀LA、潛伏有症狀Ls、症狀發生前Ps、傳染性無症狀Is、傳染性有症狀Is、住院H、住院ICU和康復R等狀態切換的模型。[6]
總體而言，這些研究證實了使用從GPS數據估計的真實接觸網絡來制定情景預測以了解疾病傳播驅動因素的可行性。與其他方法不同的是，高分辨率移動數據可以探索不同地點（如餐館、健身房或酒店）發生的接觸是如何導致疾病傳播的。它們可以進一步使我們能夠評估超級傳播個體所起的作用（這些超級傳播者感染了大量其他人），並研究流行病如何在社會群體內部和跨社會群體傳播。然而，這些新方法的局限性尚被完全理解。例如，這些方法所依據的樣本數比其他方法要小得多，並且樣本存在偏向性，而且依賴於估計接觸位置的若干假設和選擇。此外，研究者也可能依賴個人數據。未來需要進行更多的研究，以便根據其他數據來源的估計來驗證基於GPS數據推斷的接觸網絡[7,8]，進而確定模型跨時間和跨地理區域的泛化能力，以及量化模型的不確定性。了解這些方面，對於評估將高分辨率個人數據或整合數據用於不同目的的成本收益比是至關重要的。過去兩年開展的工作，對於監測、預測和設計防控疾病傳播的干預措施意義重大。大流行期間面臨的挑戰也提出了一些可能推動未來基礎研究的問題。例如，哪些因素決定了短途旅行、密切接觸和傳播能力之間的關係？用於流行病建模的高分辨率移動數據的成本效益比是多少？1.Gozzi, N. etal. 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. etal. Mobility network models of COVID-19 explain inequities and inform reopening. Nature 589, 82–87 (2021).
3.Chinazzi, M. etal. The effect of travel restrictions on the spread of the 2019 novel coronavirus (COVID-19) outbreak. Science 368, 395–400 (2020).4.Lemey, P. etal. Untangling introductions and persistence in COVID-19 resurgence in Europe. Nature 595, 713–717 (2021).5.Kogan, N. E. etal. 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. etal. 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. etal. Inferring high-resolution human mixing patterns for disease modeling. Nat. Commun. 12, 323 (2021).8.Zhang, J. etal. The impact of relaxing interventions on human contact patterns and SARS-CoV-2 transmission in China. Sci. Adv. 7, eabe2584 (2021).9.Nouvellet, P. etal. Reduction in mobility and COVID-19 transmission. Nat. Commun. 12, 1090 (2021).10.Kraemer, M. U. G. etal. The effect of human mobility and control measures on the COVID-19 epidemic in China. Science 368, 493–497 (2020).集智斑圖頂刊論文速遞欄目上線以來，持續收錄來自Nature、Science等頂刊的最新論文，追蹤複雜系統、網絡科學、計算社會科學等領域的前沿進展。現在正式推出訂閱功能，每周通過微信服務號「集智斑圖」推送論文信息。掃描下方二維碼即可一鍵訂閱：
推薦閱讀
集智科學家董磊Nature刊文，揭示人類出行的普遍模式傳染病監測的數據科學方法特刊：大數據怎樣應對大流行Science流行病建模綜述：捕捉冠狀病毒傳播全過程為什麼病毒擴散這麼快？從網絡科學視角看大規模流行病傳播點擊「閱讀原文」，追蹤複雜科學頂刊論文
留言列表