实时推断疫情结束时间：基于时间聚合病例数据和漏报修正的传染病传播模型研究

研究人员针对传染病疫情干预措施撤除时机判断的难题，通过分析2018年刚果民主共和国埃博拉疫情数据，开发了基于更新方程(renwal equation)的传播模型。该研究创新性地解决了病例数据时间聚合(weekly vs daily)和漏报(under-reporting)对疫情结束概率(end-of-outbreak probability)评估的影响，证实周报数据可替代日报数据，并建立Gibbs采样方法量化漏报影响。研究发现病例漏报率越低，需等待更长时间才能安全撤除干预措施，为疫情精准防控提供了重要决策依据。

　　

在传染病防控中，如何科学判定疫情结束时机始终是公共卫生决策的难点。传统做法往往依赖固定观察期（如埃博拉疫情采用42天无病例标准），但这种方法忽视了传播动力学的时空异质性和数据质量问题。特别是在资源匮乏地区，病例漏报率可能高达50%，且病例数据常以周报形式汇总，这些因素如何影响疫情终结判断尚不明确。这正是Pierre Magal教授生前关注的核心问题，也是本研究要解决的关键科学问题。

为回答这些问题，研究人员选取2018年刚果民主共和国équateur省埃博拉疫情作为研究对象。该疫情共报告54例病例，同时具备每日和每周两种时间分辨率的病例数据，为验证时间聚合数据的影响提供了理想样本。研究团队采用更新方程传播模型，以埃博拉应急响应小组(ERT)的部署时间轴为参照，每周动态评估撤除干预措施后出现新病例的概率。

研究主要采用三项关键技术方法：首先建立基于泊松分布的更新方程模型，利用周报和日报数据分别估计基本再生数R和ERT作用下的再生数R_ERT；其次开发实时风险评估框架，计算每周撤除ERT后的未来病例概率p(t)；针对病例漏报问题，创新性地采用Gibbs采样技术，通过二项分布建模病例报告过程，从观测数据反推真实发病数。

在结果部分，"每周与每日发病率数据的可比性"显示，基于周报数据估计的R值(2.79)与日报数据结果(2.72)高度一致，且对应的ERT撤除时间预测完全吻合，证明周报数据完全可用于疫情终结判断。"考虑病例漏报"部分通过Gibbs采样分析发现，当假设漏报率ρ=0.5时，ERT需维持至8月27日才能将风险控制在5%以下，而若ρ=0.8则可提前至8月6日，揭示漏报率每降低10%，干预措施需延长约1周。"考虑病例报告概率的不确定性"创新性地将ρ的分布特征纳入模型，当ρ服从{0.5-1.0}的离散分布时，风险阈值5%对应的撤除日期为8月13日，显著区别于完美报告假设下的结果(7月23日)。

讨论部分强调了三项重要发现：一是时间聚合数据不影响预测准确性，这对数据收集策略具有重要指导意义；二是病例漏报会显著延迟安全撤除干预的时机，每10%的漏报率差异对应约1周的等待期；三是建立的Gibbs采样框架能有效整合报告率不确定性，为资源受限地区的疫情决策提供量化工具。这些发现不仅验证了Pierre Magal教授生前关于报告率影响疫情判断的假说，更为WHO修订疫情终结标准提供了数学模型支撑。

该研究的创新性体现在将传统的传播动力学模型与贝叶斯统计方法相结合，首次系统量化了数据质量对疫情终结判断的影响。特别是在补充分析中，研究人员验证了ERT延迟生效、不同风险阈值等情景下的模型稳健性，增强了结论的可靠性。未来研究可进一步整合血清学监测数据，建立多源数据融合的判定框架，为传染病精准防控提供更强大的决策支持。