双重假设的启示：医疗就诊行为如何重塑流感疫情预测模型

《BMC Infectious Diseases》：The tale of two assumptions: incorporating healthcare-seeking behaviour in epidemic forecasting

本研究针对呼吸道病毒预测中常被忽略的病例检测率动态变化问题，创新性地将时间依赖性病例检测率引入年龄分层SIR模型。通过对比恒定与时间依赖性病例检测率假设在2016-2019年加拿大阿尔伯塔省流感季的拟合与预测效果，发现时间依赖性假设能提前4周准确预测疫情峰值时间，显著降低感染规模估计误差。该研究为突破传统模型参数不可识别性瓶颈提供了新思路，对完善呼吸道传染病监测体系具有重要实践意义。

　　

当全球仍在消化COVID-19大流行带来的教训时，流行病学家们将目光投向了另一个长期存在的挑战：如何让数学模型更真实地反映人类行为对疾病传播的影响？传统上，针对流感等呼吸道病毒的预测模型往往假设病例检测率恒定不变，这意味着模型默认人们在整个流行季的就医意愿和检测概率始终如一。然而现实世界中，随着疫情进展、媒体宣传或医疗资源紧张程度变化，公众的医疗就诊行为会产生显著波动。这种动态变化如何影响疫情监测数据的真实性？又是否会扭曲我们对疫情趋势的判断？

在《BMC Infectious Diseases》最新发表的研究中，玛丽·瓦鲁格塞团队通过分析阿尔伯塔省三年流感季数据，揭示了被忽视的关键环节——将时间依赖性病例检测率纳入模型能极大提升预测精度。研究团队指出，实验室确诊病例数实际上受两层行为因素过滤：感染者需先产生就医行为，随后才能通过检测被纳入统计。若忽略就诊行为的时序波动，模型可能高估早期和末期检测能力，却低估疫情高峰期的漏检规模，最终导致对疫情峰值时间和感染总量的误判。

为量化这种行为动态，研究团队构建了包含三个年龄组（0-18岁、19-64岁、≥65岁）的易感-感染-移除模型。模型创新点在于将病例检测率定义为随时间变化的函数ρ(t)，其分子为实验室确诊流感病例数，分母则整合了因流感样症状就诊的医师访问量和抗病毒药物处方量。通过贝叶斯推断与扩散嵌套采样算法，团队对比了恒定检测率与时间依赖性检测率假设下模型的拟合与预测表现。

关键方法学框架

研究基于阿尔伯塔省2016-2019年流感监测数据，采用年龄分层SIR模型结构。时间依赖性病例检测率通过历史就诊与检测数据构建，模型参数通过马尔可夫链蒙特卡洛方法估计，使用加权区间评分评估预测准确性。所有分析均通过MATLAB实现的扩散嵌套采样算法完成。

模型拟合效果对比

尽管两种检测率假设均能较好复现确诊病例曲线（贝叶斯p值均位于0.18-0.47合理区间），但对隐藏感染规模的估计出现显著差异。时间依赖性假设下，2016-2017季总感染人口比例估计值为22%，远低于恒定假设的47%；2017-2018季二者分别为32%与44%。这表明恒定假设可能系统性高估实际感染范围。

前瞻预测能力验证

在模拟真实场景的预测中（仅使用流行季前4周数据），时间依赖性模型成功提前4周预测到2016-2017与2018-2019季的峰值时间，误差不超过1周；而恒定假设模型则出现高达6周的延迟。2017-2018季的加权区间评分显示，时间依赖性假设的预测误差显著更低，尤其在疫情上升阶段表现出更稳定的性能。

动态机制解析

研究进一步揭示，时间依赖性检测率能捕捉到感染峰值与确诊病例峰值间的自然延迟（约2周），这与流感潜伏期和报告延迟相符。而恒定假设错误地使两个峰值重合。此外，检测率曲线显示其随疫情发展呈上升-平台-下降模式，反映了公众风险感知和医疗系统响应的动态过程。

结论与展望

该研究证实，忽略医疗就诊行为的时间变异会导致模型对呼吸道病毒传播动力学的误读。时间依赖性病例检测率不仅缓解了参数不可识别性问题，更通过整合现实世界就诊数据，使模型能更早捕捉到疫情转折信号。这一方法论创新为流感、COVID-19等疾病的精准预测提供了新范式，尤其对医疗资源调配和公共卫生干预时机选择具有实践指导价值。未来研究可进一步探索多病毒共存场景下的行为动态建模，以及将类似框架推广至住院率等临床结局预测中。