印度班加罗尔废水监测中关键预警污水区的识别：构建可持续疾病监测系统的纵向研究

本研究针对COVID-19疫情期间临床检测的局限性，通过纵向监测印度班加罗尔26个污水区的SARS-CoV-2 RNA浓度，结合COVID-SURGE算法和RT-qPCR技术，筛选出11个"bellwether"污水区（如KC Valley 1、Agaram等），为建立可持续的废水监测预警系统提供框架，对资源有限地区的公共卫生决策具有重要价值。

　　

随着COVID-19大流行进入常态化阶段，临床检测的覆盖率下降和报告延迟问题日益凸显。传统基于病例报告的监测系统存在健康寻求行为偏差，且难以捕捉无症状感染。在此背景下，废水监测（Wastewater Surveillance, WS）因其人群覆盖广、成本效益高的特点，成为补充公共卫生监测的重要工具。然而，如何选择具有代表性的监测站点、区分废水数据中的真实信号与背景噪声，仍是实现可持续监测的关键挑战。

印度班加罗尔国家生物科学中心等机构的研究人员开展了一项为期两年的纵向研究，通过对26个污水区2873份样本的SARS-CoV-2 RNA监测，结合COVID-SURGE算法和基因组测序技术，首次系统评估了污水区规模与预警效能的关系，并建立了适用于资源有限地区的可持续监测框架。相关成果发表在《The Lancet Regional Health - Southeast Asia》。

研究主要采用以下方法：1）每周采集26个污水区样本，通过RT-qPCR定量SARS-CoV-2 RNA浓度；2）整合临床病例数据和病毒基因组监测结果；3）开发改进版COVID-SURGE算法（含3项标准）区分信号与噪声；4）通过EWMA平滑处理和Rt值计算验证疫情波动。

STP规模类别作为早期预警系统的指标
研究发现不同规模污水区与临床数据的相关性随疫情阶段变化：BA.2.10疫情期间，所有规模污水区均显示1周领先相关性（r=0.88-0.90）；而在BA.2.X疫情期间，小型污水区表现出2周领先优势。这表明单一规模污水区无法全面反映城市传播动态。

识别"bellwether"污水区
通过分析四次疫情高峰（BA.2.10、BA.2.X、XBB和JN.1），研究人员发现11个表现稳定的污水区，包括4个大型（KC Valley 1-2、Rajacanal、Doddabelee）、4个中型（Agaram、Nagasandra等）和3个小型（Chikkabegur等）站点。这些站点在80%以上的疫情中能提前1-3周检测到病毒浓度上升。

区分真实疫情与背景噪声
改进的COVID-SURGE算法在BA.2.10疫情期间实现100%检出率，但在变异株混合传播的BA.2.X和JN.1疫情期间特异性下降。标准2（病毒载量周环比增长≥100%）可有效降低假阳性率，而标准3（连续4周低于检测限后转阳）在低流行期最具价值。

这项研究的重要意义在于：首先，首次在资源有限地区验证了废水监测作为独立预警工具的可行性，特别是在临床数据缺失时（如2023年XBB疫情期间）。其次，提出的"bellwether"站点策略可节省60%监测成本，同时覆盖城市80%人口。最后，开发的Excel版COVID-SURGE计算器为基层卫生部门提供了简易分析工具。

讨论部分指出，废水监测效能受多重因素影响：污水管网滞留时间（大型站点达6-10小时）、人群免疫背景（影响病毒脱落模式）以及变异株特性（如JN.1的脱落动力学尚未明确）。未来需将基因组监测与算法优化结合，以应对不断演变的病毒变异。该框架可扩展至流感等其他呼吸道病毒的监测，为全球传染病防控提供了可借鉴的"班加罗尔模式"。