我们每天都会听到有关新冠状病毒2019-nCoV的各种信息，理解这五个关键的传染病流行病学问题和术语，将非常有助于我们对疫情的解读。
#1. R0 （读作r-nought 或者r-zero）：基本传染数。这是一个很重要的传染病学概念。R0用来衡量病原体的传染性。
· 基本传染数（Basic reproduction number， R0）是指在一个完全易感人群中（没有任何预防手段介入并且所有人对此病原体没有免疫力的情况下），一个病例能传染的平均人数。如果R0< 1，意味着在没有防控的情况下，一个感染者将传给少于一个人，所以传染病将会自行逐渐消失；如果R0 > 1，每个感染者能传染多于一个人，那么就会有发展成流行病（epidemic）的可能性。
· 但R0不代表当前被感染的总人数。它也不是疾病严重程度的衡量指标。它只表示一个感染者平均能感染几个人，而不是告诉我们这些感染者疾病的严重程度。
· 对于一个特定的传染病，R0不一定是恒定的，它可能取决于人口密度和接触方式等因素。尽管如此，对于不同人群，一个特定传染病的R0是相对相似的。
· 有几种估算R0的方法。一个方法是在疾病流行开始时，报告的病例呈指数增长，所以可以估测R0 » 1 + 增长率*连续时间间隔（R0 » 1 + growth rate*serial interval）。连续时间间隔是指在疾病传播链中一代感染到下一代感染之间的平均时间。
· 有关数学模型及其它更多详细方法，请参见：https://www.ncbi.nlm.nih.gov/pmc/articles/PMC1766383/.。广东省疾病预防控制中心使用这种方法报告了2019-nCoV的R0估计为9：https://www.biorxiv.org/content/10.1101/2020.01.25.919787v1
· 这种方法面临的挑战有：a）不可靠的病例报告（遗漏的病例）- 如果报告病例的比例发生变化或报告延迟，可能导致R0的估计偏差（偏高或者偏低）；b）不确定的连续时间间隔（计算增长率的时间间隔长度），这个参数在疾病爆发早期很难估计。
· 第二种方法是用简单的数学模型，我们可以将R0估计为“与感染者接触后的感染概率（b）乘以接触率（k）再乘以感染持续时间（d）”【R0 » b*k*d】。但在爆发初期，鉴于数据有限，这些参数很难得到准确估计。
· 尤其是接触率（k）很难估测。 k的估计偏差可能来自于超级传播者导致的（当一个人感染大量人口时）大量病例一次性“爆发”，从而导致R0的估计偏差。超级传播者在SARS和MERS爆发中发挥了重要作用。
· 对于2019-nCoV，多个研究使用了不同的方法对其R0进行了估算。具体研究和结果在这个列表里：https://docs.google.com/spreadsheets/d/1QP5vM62ctnMRYdkQ4J5IqaOmB3hISGvYqCvnB8rBmNY/edit#gid=0。但并非每种方法都同样有效。
· 例如，计算R0时，依据发病日期（date of symptom onset）估算的增长率要比依据病例报告日期（date of report）要好，因为病例报告可能会延迟，导致许多在不同发病日期的病例会“成批”一次性报告出来（比如最近每天上报的新病例有着不同的发病日期）。当然使用发病日期也有它的问题，但总体来说还是更好。
· 此外，由发病日期估算的增长率似乎曾下降趋势，但这不一定是疫情的实际情况，而是由于近期病例并没有全部检测和报告出来。所以如果不考虑这一点，看起来疾病传播似乎是变慢了。具体案例可以参看下文有关2009年大流感的研究：https://onlinelibrary.wiley.com/doi/full/10.1111/j.1750-2659.2009.00106.x
＃2. 我们如何得知病例数？
卫生健康机构和政府机构的病例报告是重要的信息来源。但在爆发初期，即使可以快速获得诊断信息（例如2019-nCoV），总病例数也不准确。
· 我们假设疫情中心（此处为武汉）遗漏了很多病例，但国际旅行者的检出率接近100％，则可以将国际旅行者的发病率与每日出国旅行的概率和平均检出时间相结合来估算流行中心地区的病例总数。
· 此方法已经被用于2019-nCoV，具体分析可以在这个链接里细读: https://www.imperial.ac.uk/mrc-global-infectious-disease-analysis/news–wuhan-coronavirus/。在2009年H1N1流感大流行期间也使用了类似的方法。具体数学模型可以参见：https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0006895
· 香港大学利用近期确诊病例数和每日预估旅行量发布了实时预测：https://sph.hku.hk/images/news/press-releases2020/Wuhan-20200127.pdf；https://files.sph.hku.hk/download/wuhan_exportation_preprint.pdf 。此分析使用武汉的出境旅客数量和国际病例数来估算武汉的病例数，然后再次利用武汉外出旅游量来估算输送到中国其他城市的病例。
· 主动监测系统涉及到对出现症状的具有代表性的样本人群进行监测，此调查也可以用来估计病例总数：https://www.thelancet.com/journals/lancet/article/PIIS0140-6736(09)61377-5/
#3.新型传染病爆发是如何以及何时开始的？·
· 快速的基因组测序可以帮助识别何时有病毒引入，引入次数以及从何而来。病毒会变异，因此，如果两个人都感染了相似的病毒，则表明这两个人的感染之间存在联系。·
· 结合感染者的病毒基因组分析，并估计病毒变异的速度和病例总数，我们可以估计病毒引入人群的时间。·
· 对2019-nCoV的基因分析表明，它是在2019年11月或12月引入的。这些病毒的相似性表明，只有一次或者少量的动物源性病毒引入。具体分析及中文版翻译可以参见：
· https://nextstrain.org/narratives/ncov/sit-rep/zh/2020-01-25·
· 将基因组数据与人们的出行历史和病例接触数据结合在一起，可以帮助区分外源输入病例和本地地域内传播病例。中国境外的大多数病例都是从武汉输入的，但当地地域内传播的病例报告也已经开始。全球病例数据参见： https://systems.jhu.edu/
#4.我们如何遏制疾病爆发？是什么使疾病遏制变得更难或更容易？·
· Re（有效基本传染数）是指人口不完全易感和/或已采取适当防控措施的情况下，单例病例能感染的平均人数。 Re ＝ R0 *（1 – 有效控制率）*（易感人群比例）。要遏制疾病流行，Re必须小于1。·
· 疫苗通过减少易感人群的比例，是使Re < 1的最佳手段。就像森林大火一样，如果易感者用光了（树木烧光了），疫情就会停止。·
· 目前有三个项目正在进行研发2019-nCoV疫苗：
· 疾病治疗也可以通过减少传染性持续时间来减少Re。在获得有效疫苗和治疗之前，我们必须依靠非药物干预措施来防控疾病。这些措施包括减少病例接触，例如症状监测/病例隔离，和隔离检疫等等。·
· 这些基于病例的干预措施（需要知道谁是感染者）的相对有效性取决于两个关键因素：1）传染性和发病时间之间的关系，2）有症状和无症状感染的比例。具体研究参见：
· https://www.pnas.org/content/101/16/6146
【图例说明了如果疾病症状出现在不同的时间点 – 在潜伏期还是传染期，两种不同防控手段（症状监测 v.s.隔离检疫）会有不同的效果。】
· 关于发病前或者无症状传染的报道（https://www.bbc.com/news/world-asia-china-51254523）引起了很大的担忧。这是因为如果这种现象很普遍，那么通过隔离进行疾病控制将更加困难。但关于2019-nCoV发病前或无症状传染是否常见，目前还没有确着数据。
· 对入境口岸的旅客进行症状筛查是控制疫情爆发的另一种方法。但发病前和无症状传染也会使这种方法无效。
#5. 疾病严重程度 （severity）。这是一把双刃剑。了解新型传染病临床症状分布谱与疫情的公共卫生应对非常相关。·
· 严重病例虽然会导致住院和死亡的可能性，但更有可能被诊断和报告。反而是没有或很少出现症状的受感染个体更容易被忽视。如果这些无症状或者轻微症状的人能够传播疾病，则疫情就更难控制。·
· 另一方面，如果轻度或无症状的病例很普遍并且对疾病传播没有太大贡献，那么就会有助于疾病控制，一方面需要医疗护理的人数减少，另一方面他们的感染可能提供一定的免疫力，使他们至少在一段时间内能避免再次感染。
来自：Harvard T.H. Chan School of Public Health
https://ccdd.hsph.harvard.edu/ncov-mandarin-chinese-translation/
