数学疾病建模并非水晶球，但它是一种有用的工具。
随着时间推移和数据增多，模型的准确性往往会提高，但仍有一些因素是模型无法始终考虑在内的。
对建模工作保持透明并接受公众监督，是建立决策者与公众之间信任的必要条件，而这种信任是疫情应对的重要组成部分。
开普敦大学高级讲师Sheetal Silal博士的职业生涯一直致力于开发和运用数学模型，以理解传染病的传播情况，以及公共卫生政策如何最有效地加以控制。
因此，当南非政府决定聘请专家支持，为该国的新冠疫情应对提供参考时，Silal博士成为其最先咨询的专家之一，也就不足为奇了。
今年3月以来，她与南非新冠疫情建模联盟的同事一直在运用手头的一切工具，研究该疾病在南非可能如何发展，以及这些众多情景中的每一种将如何影响民众健康。
我们近期与她进行了交流，以深入了解传染病建模工作、正确解读和传达预测结果所需的审慎态度，以及她对该领域如何继续助力改进新冠疫情应对和管理的期望。
非常感谢您抽出时间与我们交谈，Silal博士。让我们从基础问题开始：您如何构建传染病模型？需要哪些类型的数据来源？
多学科方法是决定模型纳入哪些内容的基础。第一步始终是广泛征询意见——包括临床医生、重症医学专家、经济学家、生物学家、流行病学家、公共卫生专家等。通过咨询不同领域的专家，我们能够更全面地了解该疾病的发展情况及其治疗状况。对我而言，这正是数学建模的一大优势——我们将自己视为信息的整合者。
具体而言，我们使用的信息类型包括：关于病毒及其所致疾病的数据，如传染性、康复时间、死亡率等；民众的行为，即他们在多大程度上严格（或能够）遵守身体距离和封锁措施；医疗体系的能力，如有多少重症监护病房（ICU）、多少护士等。我们将这些数据加以综合，以显示病毒可能如何传播、这会对卫生基础设施产生何种影响，以及干预策略的潜在效果。
随着我们对模型的有效性越来越有信心——这一点体现在我们的预测得到现实世界数据的验证，或是模型所依据的科学证据基础不断壮大和巩固——我们便可以增加更多细节，例如按照一国各地区及次区域进行差异化分析，或纳入艾滋病毒和结核病等现有健康负担的影响。我们还可以检验尚未被充分理解的假设，以判断建模结果是否表明这些假设值得进一步研究。
面对COVID-19这样的新型疾病，获取足够的数据是否具有挑战性？
关键在于将模型设计为能够在新信息出现时迅速更新，以便纳入这些信息。有些细节在疫情前已广为人知，例如重症监护病房的床位数量。但面对全新的疾病和前所未有的封锁政策，存在大量未知因素，这构成了挑战。虽然过去几个月我们学到了很多，但我们仍随时准备在出现更多数据时调整模型参数。
在综合数据并将其输入模型运算之后，我们会回到此前咨询过的专家团队，向他们展示结果，并提问：“这是否合理？需要修改哪些地方？”。因此，这是一个双向受益的迭代过程。例如，建模是用于确定症状前传播的工具之一——即感染者在出现任何症状之前便可能传染他人——因为如果假定病毒仅通过有症状者传播，模型便无法解释已确诊病例的数量。
在该疾病开始在南非广泛传播之前，已有许多国家深受新冠疫情重创。其他国家的数据在多大程度上可以为您的模型提供参考？
这是一个很有意思的问题，我们对此进行了大量思考。这种方法是否可行，关键取决于各国之间的相似或差异程度。往往细微的差异就可能导致截然不同的结果。下面我将举几个与疾病和卫生体系相关的例子。
就新冠疫情而言，我们知道疾病的严重程度和传播情况都受年龄影响。许多非洲国家的人口远比欧洲国家年轻。因此，在未首先考虑年龄因素的情况下，不应简单地将欧洲的数据套用于非洲背景，以推断感染的传播、严重程度和病死率。
另一个例子是检测。各国出于不同的原因采取不同的检测策略。在资源充足、能够开展大规模检测的国家，可以较为可靠地衡量病毒的存在情况及其地理分布的差异。资源有限的国家可能只优先对老年人、重症患者或阳性病例的接触者进行检测。由于这些做法存在差异，很难说“欧洲国家经历了某种病例增长轨迹，因此我们的国家也应预期会出现同样的情况”，因为这些数字的含义各不相同。
因此，虽然研究其他国家的情况是有益的，但在不探究各自背景差异的情况下，不能将一个国家的疫情趋势直接套用于另一个国家。
我知道有一些科技公司不同意我的观点，但我不认为能够将人类的情绪和行为精确地纳入一个方程式，在当前疫情这样前所未有的情况下尤其如此。
Sheetal Silal博士
作为建模人员，在确保正确解读数据方面，还有哪些需要格外小心的例子？
我认为这适用于输入模型的每一种数据来源，但有些数据来源比其他数据来源更容易带来麻烦。大致可分为两大类“盲区”：一类是目前存在、但可以在未来获得更多数据时加以纠正的盲区；另一类则几乎无法被纳入考量的盲区。
第一类的一个例子是目前关于人群中固有免疫力的问题。来自其他冠状病毒的交叉免疫或其他机制，是否导致了某些国家的感染率较低？目前，我们可以通过具体的情景检验，将这些设想作为假设纳入模型——例如，如果人口中有X%存在固有免疫力，病毒的传播或对医院的负担会如何变化？但我需要强调，这类情景检验的目的是为了更全面地了解各种可能的未来情况，而不是为政策决策提供依据。政策决策必须更多地基于已有明确数据支持的信息。
另一类盲区的例子是人类行为。我知道有一些科技公司不同意我的观点，但我不认为能够将人类的情绪和行为精确地纳入一个方程式，在当前疫情这样前所未有的情况下尤其如此。原因有多个：从疫情初期的随机性——例如，超级传播事件往往取决于偶然因素——到我们在民众遵守封锁措施方面所看到的差异。我们会尝试考虑这一因素，并运行多种情景，但它仍然是最大的未知因素之一。
您能否进一步谈谈民众对封锁的反应为何似乎存在差异？
当然，这种情况自然仍在不断演变，但似乎是那些在病毒已在人群中广泛传播之后才实施封锁的国家，其民众更严格地遵守了政府关于居家的指导。这可能归因于一种情绪反应：这些国家的民众更有可能有朋友或家人患病或死亡。对病毒的恐惧或许是促使人们待在家中的一个强大动力。
另一方面，如果一开始就实施封锁，并着重尽可能遏制病毒传播，那么民众可能不会那么重视，因为病毒的影响从未被充分显现。这就是广受讨论的“准备悖论”：要想领先于疫情曲线，唯一的办法是做出在当时（以及事后回看）看似反应过度的决定。
在收集了所有必要的数据来源并建立模型之后，您如何利用它来为政府的应对提供参考？
首先要说明的是，数学疾病建模并非水晶球。它并不能告诉你未来将会如何，而是在一组假设条件下，帮助人们理解各种可能未来情景范围的工具。我们的目的是以一种在政策决策中有用的方式，将这些信息提供给政府。
我非常清楚，特别是就南非作为中低收入国家（LMIC）的情况而言，这些政策决策不能纯粹基于健康考量，或纯粹基于模型。它们还必须综合考虑经济和社会因素。
没有任何政府拥有无限的卫生预算，尤其是在中低收入国家，必须考虑到，用于应对新冠疫情的任何资金，都意味着无法用于其他同样值得的目标。政府在权衡这一切时面临艰难的抉择，而我们作为建模人员，正在尽最大努力确保政府充分了解这一等式中的健康层面。
在以健康为重点的建模中直接纳入社会和经济影响，是否有值得探讨之处？
这是可行的，我们对其他已确立的疾病也采用了此类做法，我相信世界各地也有团队正在针对新冠疫情开展此类工作。但讽刺的是，对于那些受封锁等卫生政策的社会经济影响可能最为严重的国家——即中低收入国家而言，往往没有任何数据，或数据不足，无法有效纳入这些影响。加之我们对新冠疫情仍有大量未知，我认为较好的做法是聚焦于疾病本身，并通过与经济学家合作开展成本效益和宏观经济分析，以及与社会科学家合作，采用调查、访谈等传统信息收集方法，来补充以健康为重点的模型，从而纳入社会经济影响。
您如何评价公众对您工作的反应？建模的作用是否得到了充分理解和有效传达？
自我们向公众发布报告以来，大约过去三周，人们对所用结果和方法表现出了极大的兴趣。非常明显的是，政府的透明度是迄今为止成功控制病毒的国家的一个共同因素，因此我完全同意，让我们的工作接受公众的审视和监督，符合公共利益。
另一方面，并非每个人都是疾病建模专家，而脱离语境呈现的未来感染人数或医院负担预测，可能会加剧许多人目前所承受的压力。由于这是公众首次如此关注该领域，我们认为有责任格外努力地说明应如何解读模型——即每一项预测都伴随着已知的不确定性和附带条件，这是一个随着更多数据披露而近乎持续修订的迭代过程，而且理解模型需要比报纸头条通常所能提供的更多细致考量。我们认为目前的进展良好，并感谢许多媒体以审慎的态度报道我们的建模工作。
展望未来，应对新冠疫情的经历如何改变传染病建模领域？
一个迅速涌现的变化是，形成了许多新的国际合作与网络。我们对此表示欢迎，并希望这些合作与网络在疫情结束后仍能持续，因为它们有助于我们传播信息和技术。如果再次发生疫情，它们也将帮助我们在未来做出更有效的应对。身处公众视野也促使我们深刻反思自身与公众互动的责任，我希望在这方面已开始的努力也能持续下去。
就疾病建模工作本身而言，该领域已发展了100多年。尽管新冠疫情对几乎所有系统都造成了冲击，但它并未改变我们工作背后的科学原理。当然，这一过程必将产生新的见解，但这些将是该领域的演进，而非革命。
疫情的一个积极影响是，人们对数学疾病建模重新产生兴趣，该领域的受欢迎程度也有所上升。在我走访非洲大陆的过程中，我发现我们拥有非常有才华的数学家和数学专业学生。过去几个月，我收到了许多关于攻读该领域研究生的申请。必须通过资金和研究项目来汇聚并引导这些人才，以支持我们大陆的各国政府控制那些持续威胁我们人民的疾病，并在未来及时、有效地应对本地疫情。
