南非COVID-19大流行的空间年龄分层流行病学模型构建与应用

本研究针对传染病传播中年龄与空间异质性难题，开发了整合接触矩阵与人口数据的空间年龄分层SEIR模型。研究人员以南非COVID-19前两波疫情住院数据为对象，通过划分0-19/20-44/45-59/60+四年龄组及52个行政区，证实该模型较传统非分层模型显著提升预测准确性（如儿童住院率高估问题改善），揭示经济活跃地区20-59岁人群为传播核心。成果发表于《Heliyon》，为资源受限地区精准防控提供量化工具，可拓展至其他EIDs/REIDs研究。

　　

**当COVID-19席卷全球时，一个关键科学问题浮出水面：为何不同年龄群体和地区的疫情发展轨迹差异显著？传统传染病模型往往忽略了两大核心要素——年龄导致的免疫应答差异（如儿童症状轻微而老年人易重症）和空间流动带来的传播异质性（如经济枢纽地区更易暴发）。这种局限性在发展中国家尤为突出，以南非为例，其63%人口年龄<35岁，且区域间医疗资源分布极不均衡。面对这一挑战，来自南非威特沃特斯兰德大学统计与精算科学系的Raeesa Manjoo-Docrat团队联合南非医学研究委员会等机构，创新性地构建了空间年龄分层SEIR模型，研究成果发表在跨学科期刊《Heliyon》上。

研究团队采用三大关键技术：基于手机定位数据的空间权重矩阵（W矩阵）量化52个行政区人口流动；引入POLYMOD接触矩阵（c_ij
）刻画四年龄组（0-19/20-44/45-59/60+）日常交互；结合南非DATCOV系统住院数据校准年龄特异性参数（如临床比例p_1j
、重症风险s_i
）。通过微分方程组实现SEAI_mild
GW-ICU-RD多状态转换，并采用Sobol指数进行参数敏感性分析。

空间年龄分层模型结构
模型突破性地将传统SEIR扩展为8个临床状态，新增无症状感染（A）、普通病房（GW）和ICU住院等关键节点。年龄分层通过β_ij
=ζR₀
c_ij

s_i
/d_j
公式实现，其中d_j
综合无症状期δ_j
和有症状期ρ_j
的加权计算，而c_ij

通过Z-score标准化保留接触矩阵原始差异。

第一波疫情验证
对比非分层模型，年龄分层版本准确识别出20-44岁群体为传播主力（占住院峰值40%），而传统模型错误预测0-19岁儿童为最高风险组。空间映射显示，豪登省城市群（约翰内斯堡、茨瓦内）因人口流动频繁成为疫情中心，与实测数据吻合度提升27%。

Beta变异株第二波冲击
模型成功捕捉到变异株引发的传播增强效应（R₀
缩放因子ζ调整），显示45-59岁群体住院率反超年轻组。值得注意的是，尽管模型在波峰预测准确，但波间期偏差提示需进一步优化接触矩阵动态调整机制。

讨论与展望
该研究首次在南非场景下证实：忽略年龄分层会严重扭曲预测结果（如儿童住院率高估300%），而空间要素缺失将导致资源分配失准。模型的价值不仅限于COVID-19，其框架可适配麻疹（需调整临床比例p_1j
）或埃博拉（修改空间权重W）等EIDs/REIDs。作者特别指出，在免疫衰老（Immunosenescence）显著的疾病中，60+人群的s_i
参数应成为监测重点。未来工作将整合疫苗接种数据，并开发实时接触矩阵更新算法以提升波间期预测精度。这项研究为资源有限国家应对突发公共卫生事件提供了可迁移的建模范式。