COVID-19大流行管控对美国传染病谱系的附带效应：基于监测数据的因果推断与机制解析

《SCIENCE》：Collateral effects of COVID-19 pandemic control on the US infectious disease landscape

本研究针对COVID-19大流行管控措施对共循环传染病产生的间接影响及"免疫负债"风险，利用美国CDC监测系统数据，通过贝叶斯结构时间序列(BSTS)模型和聚类分析，量化了不同传播机制病原体的响应差异。研究发现，经空气飞沫传播的传染病(ATIs)受到最严重冲击，而性传播感染(STIs)扰动较小且遏制了既往上升趋势。研究证实，通知缺口的幅度和持续时间由疾病系统固有属性（序列间隔、基本再生数R0、易感者补充率）决定，为理解大流行扰动下传染病生态演变提供了理论框架。

　　

当COVID-19疫情席卷全球，各国政府采取了一系列史无前例的管控措施，从佩戴口罩、保持社交距离到封锁和旅行限制，旨在遏制SARS-CoV-2病毒的传播。然而，这些主要针对一种呼吸道病毒的措施，如同在平静的湖面投下一块巨石，其涟漪效应不可避免地波及到其他与人类共存的传染病生态系统。一个紧迫的科学问题随之浮现：这些管控措施对其它传染病的传播产生了怎样的“附带损害”？是像预期那样有效抑制了它们的传播，还是因暂时阻断了人群暴露于常见病原体而导致了“免疫负债”，为疫情后的强烈反弹埋下了隐患？更复杂的是，不同传播途径的疾病——从经空气飞沫传播的流感、百日咳，到经性接触传播的淋病、梅毒，再到经环境或动物媒介传播的疾病——对管控措施的反应是否一致？解答这些问题，对于全面评估大流行应对策略的净效益、预测未来传染病流行趋势、以及优化公共卫生资源配置至关重要。

为了回答这些复杂的问题，一项发表在《科学》杂志上的研究进行了开创性的探索。研究人员布雷特（Brett）和罗哈尼（Rohani）利用美国疾病控制与预防中心（CDC）国家法定传染病监测系统（NNDSS）和流感视图（FluView）长达数年的监测数据，进行了一项全面而深入的回顾性分析。他们旨在量化COVID-19大流行的间接影响，并探究其背后的流行病学机制。

研究人员主要运用了几项关键技术方法。首先是基于美国CDC的NNDSS和FluView系统提供的2014年至2024年的法定传染病每周报告数据，构建了24种传染病的时间序列数据集。其次，他们采用了聚类分析（具体为凝聚层次聚类算法），依据疫情时期各疾病时间序列的斯皮尔曼秩相关系数，将疾病按相似的受影响模式进行分组。核心方法是反事实分析，利用贝叶斯结构时间序列（BSTS）模型，为每种疾病在每个州构建了假设没有发生大流行情况下的预期发病轨迹，并通过计算相对影响和相对净影响等指标，量化大流行造成的实际偏离。最后，他们结合了简单的易感者-暴露者-感染者-恢复者-疫苗接种者（SEIRV）传播动力学模型进行情景模拟，以理论验证观察到的模式是否可由疾病的基本系统特性（如序列间隔、基本再生数R₀、易感者补充率）解释。

聚类分析

研究首先对2019年以来的国家级每周病例通知数据进行了聚类分析。结果显示，24种传染病根据其在疫情期间的动态变化模式，可以清晰地划分为四个集群。第一个集群（蓝色）主要由经空气或气溶胶传播的病原体构成，包括流感A/B型、百日咳、腮腺炎、水痘等。第二个集群（粉色）则包含了三种性传播感染：淋病、衣原体感染和梅毒。第三个集群（绿色）更为多样化，主要包括不依赖人际直接接触传播的疾病，如蜱传人畜共患病（无形体病、巴贝斯虫病、埃立克体病）和经环境传播的感染（如弯曲菌病、产志贺毒素大肠杆菌感染）。第四个集群（黄色）是两个异常值：甲型肝炎和动物狂犬病。这一聚类结果强烈暗示，疾病的传播机制是决定其受大流行影响模式的关键因素。与使用疫情前数据进行的聚类结果相比，疫情时期的聚类模式更能反映传播途径的差异。

反事实分析

为了精确量化大流行对各州不同疾病通知的具体影响，研究团队进行了反事实的BSTS建模分析。该分析的核心是计算相对影响，即观察到的病例数与假设没有大流行情况下模型预测的病例数之间的百分比偏差。以纽约州为例的分析结果颇具代表性：在2020年，流感A和百日咳的通知数远低于反事实预测（年相对影响中位数分别为-81.5%和-76.6%），而经粪-口途径传播的志贺氏菌病影响较小（-45.7%）。与此形成鲜明对比的是，淋病的通知在2020年并未出现明显下降。这些疾病在随后的年份中均出现反弹，但速度和模式各异：流感A在2022年突然猛烈反弹；百日咳和志贺氏菌病的恢复则更为渐进；而淋病等性传播感染在2020年后，其疫情前既有的上升趋势似乎被遏制住了。总体而言，到2023年底，大多数疾病的累积通知数（相对净影响）仍低于反事实预测水平，表明大流行总体上导致了疾病负担的净减少。

将各州各病原体的结果按传播集群汇总后，趋势更加明朗。空气传播感染受到的影响最大，其相对净影响在2020年底达到最低点。性传播感染和环境传播/人畜共患病集群受到的影响相对温和。值得注意的是，流感病毒（尤其是B型）的表现与其他空气传播感染不同，其受到的抑制更持久，反弹也更晚且更具异质性。研究还发现，各州之间影响的差异更多地与病原体本身的特性有关，而非各州政府应对措施的严格程度（如学校关闭、聚集限制等）。多元回归模型未能发现州级管控措施指标与疾病相对净影响之间存在稳定的强关联。

情景分析

为了理解观察到的模式背后的机制，研究人员构建并分析了一个简单的随机SEIRV传播模型。他们将大流行模拟为传播率的一次性下降和随后的指数式恢复。模拟结果显示，疾病的“回归时间”（即相对净影响恢复到接近零所需的时间）高度依赖于其核心流行病学参数。具有短序列间隔、短免疫周期和高基本再生数R₀的疾病（如流感A），表现为急剧下降后快速、有时甚至是不稳定的反弹。而具有较长序列间隔、较长免疫周期和较低R<>的疾病（如百日咳），则表现为更缓慢、更持久的下降，并可能伴随衰减的振荡。对于淋病等性传播感染，要匹配观察到的微小影响，模型需要假设大流行仅引起了幅度较小、持续时间较短的传播率下降，并且疫情前存在的传播率上升趋势在大流行开始时终止。理论分析表明，疫情初期病例的下降速度近似于控制措施强度与恢复率γ的乘积，而后期的反弹速度则与γ、易感者补充率κ和R₀的乘积相关。

讨论与结论

这项研究通过严谨的数据分析表明，COVID-19大流行管控措施对美国的传染病生态系统产生了深远且异质性的影响。主要结论包括：首先，影响的程度和模式与病原体的传播机制密切相关。经空气飞沫传播的感染遭受了最严重和最持久的干扰，而性传播感染和环境/人畜共患病的通知则相对稳定。其次，大流行并未导致普遍的疾病监测系统崩溃，因此观察到的通知下降很可能反映了真实的传播减少。第三，对于大多数疾病和地区而言，截至2023年底，累积的疾病通知数存在净赤字，这意味着从传染病负担的角度看，管控措施带来了整体上的健康收益，并未引发共循环传染病的“附带损害”激增。第四，观察到的动态变化可以通过经典的流行病学理论得到合理解释，疾病的序列间隔、R₀和免疫持续时间是决定其“回归时间”的关键因素。

该研究的意义重大。它不仅首次在全美范围内系统评估了大流行对多种传染病的间接效应，还揭示了传播机制与干预效果之间的内在联系，为未来应对类似全球卫生事件提供了宝贵的参考。研究指出的未解之谜，如性传播感染趋势变化的深层原因、流感病毒与其他呼吸道病毒反应差异的机制（是否与病毒干扰有关）等，为后续研究指明了方向。此外，研究方法（如BSTS反事实分析）也可应用于评估其他重大事件对公共卫生的影响。最终，这项研究提醒我们，在评估一项宏大的公共卫生干预时，必须采用全局视角，全面衡量其直接效果与间接效应，从而更科学地指导决策，最大化人群健康效益。