转载

计算机模型：预测对疾病暴发的反应

　　英文原文：How to predict responses to disease——Computer model could help public health officials anticipate overreactions to disease outbreaks.

　　计算机模型能帮助公共卫生官员预测民众对疾病暴发的过度反应

　　David L. Chandler 麻省理工学院新闻办公室

　　有时候民众对于疾病暴发的反应只会让事态变得更加糟糕——例如当民众因为恐慌而四处逃窜时，这时就有可能将疾病带到新的地方。而当这种过度反应可能发生时，计算机模型的预测能力便能帮助公共卫生部官员采取行动来阻止这种潜在的危险发生。

　　从各大医院、社交媒体以及其他来源收集而来的数据组合而成的一个新的计算机模型能够提供这种预测能力。该模型是由麻省理工学院、Draper 实验室以及 Ascel Bio 的研究人员共同开发，而关于该模型的论文已经在 Interface 杂志上发表。

　　论文的合著者、来自麻省理工学院土木与环境工程专业的副教授 Marta Gonzalez 表示，该模型源于之前的一项研究：行为是如何通过社交媒体传播。Gonzalez 表示，关于疾病暴发的信息传播以及信息误报在之前从未被研究过，同时研究人员也很难从恐慌反应中获取详细信息。

　　那么如何量化恐慌情绪？

　　分析这些反应的其中一个方法就是通过研究在疾病暴发方面的新闻报道以及发布在社交媒体的各种消息，同时将其与来自医院的实际疾病发病率的数据记录进行对比。

　　在多数情况下，民众对疾病暴发的反应会比疾病本身引发更多的伤害。例如，研究人员称限制旅行和减少货物配送会造成经济损失，甚至引发骚乱，其他一些行为也会加剧疫情的传播。研究人员补充道，对疫情暴发的大肆宣传也会引发患有轻微症状的民众对于医疗设施的过度滥用，从而使那些真正被疾病感染的民众无法获得所需的医疗设施。为了研究这一现象，该研究小组分别研究了 2009 年墨西哥和香港暴发的 H1N1 禽流感病毒以及 2003 年在香港暴发的「非典」的数据。该研究小组开发的计算机模型能准确再现伴随着疫情暴发的人口水平行为。

　　研究显示：在这些情况下，民众的反应在实际风险下往往是不成比例的。通常来说，民众并不常常关注疾病的暴发，这远远超过真正的风险。例如，尽管 H1N1 型禽流感的感染率比非典高出几百倍，但民众在非典中的反应比 H1N1 型禽流感产生的反应要强烈得多。

　　但该项数据并没有分析处理西非日渐猖獗的埃博拉病毒的数据。Gonzalez 表示，这再一次证明公众的反应程度不是由疾病程度来界定的。她表示，目前的这项研究在埃博拉疫情之前就已经开始了。这项研究之后被用来分析社会和医疗数据，这会让研究小组日后分析在疾病暴发后的公众反应变得更加容易。目前，Gonzalez 和她的同事们已经开始对埃博拉疫情进行调查研究。

　　Gonzalez 说：「我希望在未来，如果我们能预测到那些会造成经济损失和人员伤亡的并对社会和经济造成损害后果的疫情，那我们就能提前采取措施来抵消这些负面影响。」她还表示，媒体报道有时候在疫情爆发期间会一定程度上传播恐慌，因而准确的信息可能会产生相反的效果。

　　苏黎世联邦理工学院计算社会科学学院的教授 Olivia Woolley Meza 并没有参与此项研究。她表示，相比于其他与之相类似问题的论文，该论文十分出彩。这是因为使用了对比研究从而克服了数据稀缺这个难题。

　　她补充道，我们要好好理解社会应对疫情的反应，因为相关政策无法控制疾病的传播而只会适得其反。我们所考虑的转变方式是实现控制疫情的需要以阻止威胁到数百万人生命的疾病爆发。

　　该研究小组是由 Draper 实验室的 Natasha Markuzon 所领导，也包括来自麻省理工学院和 Draper 实验室的 Shannon Fast 和来自纽约的 Ascel Bio 的 James Wilson。该项研究是美国国防威胁降低局支持的一个研究项目。

正文到此结束