基于常规监测数据的多病原体时间趋势推断：流感亚型、SARS-CoV-2变异株与登革血清型的动态解析

本研究针对复合监测时间序列（如ILI、SARS-CoV-2病例）中多病原体动态信号混杂的问题，开发了贝叶斯时间序列分析框架，成功解析了流感亚型（H3N2/H1N1/B型）、SARS-CoV-2变异株（Alpha/Delta/Omicron）及登革血清型在澳大利亚、英国等地的独立传播动态。该研究通过整合病毒学检测数据与病例报告，首次实现多病原体流行曲线的同步解构，为精准公共卫生响应提供新范式。

　　

在传染病监测领域，一个长期存在的难题是：常规监测指标如流感样病例（ILI）或SARS-CoV-2确诊病例数，本质上是多种病原体信号的"混合体"。就像试图通过观察鸡尾酒的颜色来分辨其中每种酒的比例，公共卫生决策者常常面临信号解耦的困境。特别是在流感监测中，ILI病例可能由流感A/H3N2、H1N1、B型或完全无关的病原体引起；而SARS-CoV-2病例数据则包含不同变异株的复杂动态。这种信号混杂导致流行趋势误判，直接影响疫苗策略制定和防控措施时效性。

针对这一挑战，墨尔本大学传染病动力学单元的Oliver Eales团队在《American Journal of Epidemiology》发表创新研究，开发出可同时解析多病原体动态的通用统计框架。该研究巧妙结合三类监测系统数据——WHO全球流感计划（2012-2024）、英国卫生安全局变异株测序数据（2020-2022）和台湾疾控中心登革血清型数据（2006-2023），首次实现从复合时间序列中提取各病原体独立流行曲线的"信号分离"技术。

研究采用三大关键技术方法：1）扩展贝叶斯时间序列模型，处理周报（流感）和日报（登革/SARS-CoV-2）数据；2）构建随机游走（周数据）和惩罚样条（日数据，节点间隔5天）的双重平滑策略；3）开发相对增长率优势量化算法，计算变异株间的R_t
乘性优势。所有分析均基于公开监测数据，代码通过Zenodo平台共享。

【流感亚型动态】研究揭示澳大利亚和美国呈现典型季节性流行，但流感仅占ILI病例的25-35%，且流行期（3-6个月）远短于全年持续的ILI活动。新加坡则显示更复杂的多亚型共循环模式，2016-2018年H3N2呈现双峰流行（仅在高采样率下可识别）。COVID-19大流行后，所有国家流感占ILI比例显著下降，凸显SARS-CoV-2对监测系统的干扰。

【SARS-CoV-2变异株竞争】模型成功捕捉英国变异株更替关键节点：Alpha变异株在2020年11月呈现0.36日增长率（倍增时间1.92天）；Omicron BA.1取代Delta时显示出最大R_t
优势。回溯分析显示，纳入测序数据可使Delta变异株增长信号提前5周被检测到，证明实时整合组分数据的重要性。

【登革血清型动态】台湾地区数据显示典型10-11月流行高峰，多数季节由单一血清型主导（如2011年），但2010年出现四型共循环。2023年流行季分析采用2006-2016年后验分布作为先验，验证模型的历史数据迁移学习能力。

这项研究的突破性在于建立"监测数据解 mixer"——将传统上分开呈现的复合曲线与组分数据（如病毒分型结果）进行统计融合，就像为公共卫生决策者提供"病原体分光镜"。方法论上，其创新点包括：处理未分型流感A样本的缺失数据机制、校正日周期效应（如周末报告偏倚）、以及适应不同病原体（RNA病毒/虫媒病毒）的异质性传播模式。

在讨论部分，作者指出该方法虽无法完全消除监测偏倚（如就医行为变化），但显著优于传统的"堆叠条形图"呈现方式。研究建议将框架扩展至呼吸道合胞病毒（RSV）A/B亚型或MPOX病毒分支监测，并强调在变异株早期传播阶段（如Delta出现第3周）即能识别增长趋势，这对疫苗匹配性评估具有重要时效价值。随着多病原体检测技术的普及，这种整合基因组学与流行病学的建模方法，有望成为下一代传染病监测的标准分析工具。