评估世界卫生组织欧洲区域COVID-19准备工作的时变有效性：一种聚焦生物风险的波长模型方法

《Journal of Biosafety and Biosecurity》：Estimating the Tme-Varying Effectiveness of COVID-19 Preparedness in the WHO European Region: A Biorisk-Focused Wavelength Model Approach

　　

摘要：
本研究分析了2019冠状病毒病（COVID-19）大流行期间，国家准备能力对疫情影响的时变预测力如何随时间变化。基于文献中的“准备悖论”，研究人员检验了以下假设：准备是一个动态过程，其有效性在大流行不同阶段会发生变化，而非保持静态。为此，研究人员对世界卫生组织（WHO）欧洲区域一个由34个国家组成的固定队列，进行了覆盖2020年至2024年期间的重复横断面分析。研究利用了一个综合数据集，整合了来自“我们的数据世界”（Our World in Data）的COVID-19发病率数据、来自WHO电子缔约国自我评估年度报告（e-State Parties’ Self-Assessment Annual Reporting, e-SPAR）门户网站的年度准备分数、来自联合国开发计划署（United Nations Development Programme, UNDP）人类发展报告的社会经济韧性指标，以及来自联合国人口司（United Nations Population Division, UNPD）的人口密度指标。大流行的影响通过流行病学波长模型及其相关衍生框架进行量化。研究人员比较了三个框架的年度解释力（调整后R²）：一个代表总体社会经济韧性（以人类发展指数（Human Development Index, HDI）为指标）的基线模型，以及两个隔离了特定生物安全能力的聚焦生物风险波长（Biorisk-Focused Wavelength, BFW）模型（核心模型和扩展模型）。结果表明，准备工作的预测力在大流行的不同阶段存在显著差异。在2020年的初始阶段，关注基本战略生物风险能力的核心BFW模型是最有效的预测因子（调整后R² = 11.2%， p = 0.030）。相比之下，当大流行在2022年进入成熟阶段时，生物风险模型失去了所有解释力，而代表系统韧性的基线模型则成为稳健的预测因子（调整后R² = 24.4%， p = 0.002）。这一趋势持续到2024年的地方性流行阶段，此时系统韧性仍保持显著但较弱的关联（p = 0.032）。样本外验证证实了这些发现：核心BFW模型在2020年显示出最高的预测准确性，而基线模型在2022年的慢性阶段表现出更优的性能。这些结果表明，虽然技术性生物安全在应对初始冲击时至关重要，但其影响力最终会被整体系统韧性所取代。因此，未来的大流行准备战略必须不仅关注静态的技术清单，还应关注能够增强国家适应长期危机能力的整体性方法。

论文解读：

**研究背景与问题**

2019冠状病毒病（COVID-19）大流行是21世纪最重大的全球公共卫生危机，对全球卫生系统施加了前所未有的压力并引发了深刻的社会经济动荡。世界卫生组织（WHO）反复强调，这场危机不仅是一个生物威胁，更是一个考验全球团结与国家准备能力的多维现象。疫情暴露了各国在公共卫生基础设施、应对策略和机构韧性方面的显著差异。流行病学模型是描述传播动态和预测疾病轨迹的重要工具，但传统的仓室模型（如SIR, SEIR）往往未能整合国家卫生系统能力和动态准备水平等关键变量。因此，一个核心问题在于：究竟是哪些具体的国家能力决定了各国在疫情结果上观察到的差异？

在大流行前，已有多种指数被开发用于量化国家准备水平，例如WHO的联合外部评估（Joint External Evaluation, JEE）和缔约国自我评估年度报告（SPAR），以及全球卫生安全（Global Health Security, GHS）指数。然而，COVID-19的经历揭示了一种被称为“准备悖论”的现象：许多GHS指数高的西方国家的表现出人意料地挣扎，而一些基线分数较低的国家却表现出更强的韧性。这表明，传统的准备指标可能不足以捕捉一场长期动态危机的复杂性。学界日益达成共识，主张从静态的准备清单转向“卫生系统韧性”的概念。WHO的战略框架也指出，准备不仅仅是能力的静态清单，更是在整个危机期间有效动员、激活和适应这些资源的能力。

本研究基于先前开发的流行病学波长模型，该模型是一个整合疫情规模、持续时间和人口密度的综合影响指标。本研究通过将其纳入聚焦生物风险的波长（BFW）模型进行可操作化，从而推进了该框架。这种新方法在流行病学波长分数与源自WHO SPAR年度报告的特定生物风险准备能力之间建立了直接联系，从而超越了描述性流行病学，能够定量评估技术性生物安全指标如何影响大流行的总体轨迹和负担。

本研究旨在探讨WHO欧洲区域内一个关键研究问题：在长期全球卫生危机的不同阶段，时变准备的预测力如何演变？为此，研究人员对一个由34个国家组成的固定队列，进行了覆盖2020年至2024年期间的重复横断面分析，并比较了三个不同建模框架的解释力。

**研究方法概述**

本研究采用纵向重复横断面分析设计，使用固定队列来考察国家准备能力预测COVID-19大流行影响的时变动态。该设计每年收集相同横断面单位（国家）的数据，确保了样本结构的稳定性，增强了内部效度。

研究队列为WHO欧洲区域的34个国家，入选标准是2020年至2024年整个研究期间，具备所有模型所需参数的完整数据连续性。数据来源包括：“我们的数据世界”数据库的COVID-19病例数据、WHO e-SPAR门户网站的SPAR准备分数、UNDP人类发展报告的HDI分数，以及联合国人口司的人口密度数据。所有数据均为公开的、匿名的国家层面汇总统计数据，不涉及伦理审批。

研究核心是流行病学波长模型，用于量化国家层面的疫情影响程度。研究人员为模型中的容量变量定义了三种规格，形成三个比较模型：模型0（基线模型）使用HDI作为总体社会经济韧性指标；模型1（核心BFW模型）使用核心生物风险能力指数（BRC4），该指数由WHO国际卫生条例（International Health Regulations, IHR）和JEE工具定义的四个核心战略公共卫生能力（C.2 协调、C.4 实验室、C.5 监测、C.10 风险沟通与社区参与）的算术平均值计算；模型2（扩展BFW模型）使用扩展生物风险能力指数（BRC6），在BRC4基础上增加了两个关键的操作与财务赋能能力（C.3 融资、C.7 卫生应急管理）。

统计分析包括：对每年（2020-2024）分别进行三个模型的普通最小二乘线性回归分析，以调整后R²为主要比较指标；计算BRC4与BRC6之间的皮尔逊相关系数以评估共线性；使用库克距离进行敏感性分析以识别潜在异常值；采用留一交叉验证（Leave-One-Out Cross-Validation, LOOCV）程序计算均方根误差（Root Mean Squared Error, RMSE）以评估样本外预测准确性。

**研究结果**

**描述性统计**：关键变量的描述性统计显示，所有三个波长模型输出的中位数从2020年到2024年呈现一致的上升轨迹，表明大流行的累积影响在研究期间加剧。相比之下，能力指数（HDI、BRC4、BRC6）的时间轨迹相对稳定，但跨国差异显著。生物风险指标表现出较高的统计离散度，而HDI的变异性则低得多。

**模型比较性能**：回归分析结果（调整后R²和p值）显示，准备能力的预测力并非静态属性，而是随大流行阶段显著波动。
* **2020年**：只有核心BFW模型对疫情影响提供了统计学上显著的解释（调整后R² = 11.2%， p = 0.030）。其回归系数为正，这与“准备悖论”一致，表明技术能力高的国家可能因监测和报告系统更有效而记录了更高的病例数。
* **2021年**：三个模型均未达到统计学显著性水平（所有p值 > 0.10），调整后R²值均低于5%，表明基于2019年基线的准备能力预测效用大幅减弱。
* **2022年**：观察到模型性能的显著分化。基线模型成为最稳健的解释框架（调整后R² = 24.4%， p = 0.002），而两个生物风险模型的调整后R²值变为负数，完全失去统计显著性。
* **2023年**：基线模型仍是最强的显著预测因子（调整后R² = 16.1%， p = 0.011）。核心BFW模型的p值降至0.085，达到边际显著性，表明特定生物风险能力的解释力略有恢复。
* **2024年**：基线模型仍保持统计显著性（p = 0.032），但解释力下降至调整后R² = 10.9%。特定生物风险模型则无统计显著性。

**模型验证与稳健性检验**：LOOCV分析结果支持了回归分析的发现。在初始阶段（2020年），核心生物风险模型的预测误差（RMSE）低于基线模型，反映了特定卫生能力在初期的相关性。然而，随着大流行进入2022年，基线模型表现出最高的预测准确性（最低的RMSE），显著优于技术模型。这强有力地支持了结论：在危机后期，一般系统韧性成为流行病学结果的主要决定因素。敏感性分析确认了某些国家作为异常值的影响，但保留它们对于反映疫情报告的现实差异至关重要。

**讨论与结论**

**讨论部分总结**：
研究的主要发现是“准备”并非静态属性，其有效性随大流行的动态流行病学特征而显著波动。这些结果不仅证实了文献中广泛讨论的“准备悖论”，还提供了关于其时变机制和决定因素转变的新颖且细致的视角。

* **大流行准备的时变演化与准备悖论**：重复横断面分析揭示了随着危机成熟，准备指标预测效用的显著转变。技术能力在初始暴发期发挥了重要作用，但其影响力被大流行的演化动态重塑。核心BFW模型在2020年具有统计学显著性但系数为正，这强化了“准备悖论”的前提。然而，LOOCV证实，在急性阶段，技术准备指标确实是对观察到的流行病学现实最准确的预测因子，尽管它们预测的是更高的病例发现率而非更低的病例数。随着危机延长，传统卫生安全指标的预测相关性丧失，这本身就是一个关键的实证发现，揭示了SPAR框架下的指数在应对从急性冲击向慢性挑战转变时的“实施差距”。

* **准备信号的减弱与系统韧性的崛起**：2021年所有模型均不显著，表明疫苗分配不均、高传播性变异株出现和国家策略差异等外生因素产生了强大的“噪音”，削弱了技术准备能力的预测力。到2022年，当BFW模型失去所有解释力时，以HDI为代表的系统韧性基线模型成为主导。这支持了大流行已从急性公共卫生紧急事件转变为持久的社会经济消耗战。基本的结构性决定因素，如经济稳健性、人口教育水平和整体卫生系统的韧性，在缓解长期压力方面比特定技术性生物安全能力发挥了更突出的作用。

* **向新常态过渡：核心能力的程序性复苏**：2023年的结果表明了一个过渡阶段。虽然基线模型保持其解释主导地位，但核心BFW模型的边际重新出现值得注意。这表明，随着大流行超越其急性紧急状态进入更可管理的地方性流行阶段，常规和可持续的公共卫生功能正在重新获得其预测效用。然而，到2024年，技术准备指标似乎与流行的流行病学现实存在认知脱节，而系统韧性模型仍保持弱但显著的关系。这意味着，到大流行的第五年，国家表现受到危机期间出现的、高度复杂且未测量的动态因素（如人群混合免疫、长期COVID负担、卫生系统疲劳和制度化的危机经验）的塑造，而不仅仅是标准框架捕获的大流行前指标。

* **优势、局限性与未来研究方向**：本研究的优势在于其使用固定队列的纵向重复横断面设计，能够动态评估准备能力的预测力。BFW模型建立了一个独特的分析框架，用于定量比较不同能力定义在2020-2024年观察期内的相对有效性。局限包括：SPAR数据基于国家自我报告，可能存在偏倚；研究为关联性分析，不能推断因果关系；结果变量（确诊病例数）受各国检测政策和报告完整性差异导致的确定偏倚影响；样本量有限，模型为双变量，未控制疫苗接种率、人口年龄结构等其他潜在混杂因素。未来研究建议包括：在不同地理区域验证BFW模型；进行定性案例研究以深入理解定量发现；在模型中纳入大流行期间政策干预的动态影响。

**结论翻译**：
本研究通过重复横断面的视角，利用流行病学波长模型及其衍生的BFW框架，分析了COVID-19大流行不同阶段国家准备能力的有效性。关键发现是，“准备”并非一个静态概念；其预测力随着危机基本性质随时间推移而发生的变化而显著演化。

技术性生物安全准备在解释大流行变异方面发挥了统计学上显著的作用，特别是在充满不确定性的初始年份。这反映了在急性阶段检测和监测能力的关键作用。然而，随着危机转变为一场持久的消耗战，这种技术准备被各国的整体社会经济韧性所取代。在2024年过渡到地方性流行阶段后，系统韧性的持久相关性以及常规公共卫生功能的重新出现得到了再次确认。

这些发现表明，未来的大流行准备战略必须采用“双重聚焦”架构。政策制定者必须同时投资于技术性生物安全能力以减轻初始冲击，并投资于整体卫生系统的韧性和适应性以承受长期危机带来的社会经济压力。最终，有效的大流行准备需要建立能够持续适应动态危机的韧性系统，而不仅仅是实现特定的能力清单。

本研究证明，大流行准备的范式必须从固定的“能力清单”转向适应性的“系统韧性”。有效的准备不仅包括主动规划，还包括在危机期间改变计划以及处理长期压力的能力。因此，政策制定者必须将资源分配给增强卫生系统灵活性以及针对未来不确定性的全面操作准备。