复旦大学余宏杰课题组联合国防科技大学吕欣课题组在人群移动与新冠病毒传播领域取得重要进展

2023-10-14 03:10

近日，复旦大学余宏杰课题组联合国防科技大学吕欣课题组在人群移动与新冠病毒传播领域取得重要进展，研究成果以“Heterogeneous changes in mobility in response to the SARS-CoV-2 Omicron BA.2 outbreak in Shanghai”为题，于10月12日在线发表在美国科学院院刊PNAS（论文链接: https://www.pnas.org/doi/10.1073/pnas.2306710120）。

人群移动和接触模式是影响传染病时空传播的重要行为驱动因素，决定了病原体跨越物种障碍，在人与人之间传播，并通过人群流动引起疾病暴发乃至大流行的可能性。余宏杰课题组前期已建立了定量测量社会接触网络的研究平台，阐明了社会接触模式、干预措施与新冠病毒传播动态之间的相互作用（Zhang Juanjuan et al, Science 2020; Zhang Juanjuan et al, Science Advances 2021; Liang Yuxia et al, China CDC Weekly 2023）。吕欣课题组前期也在突发公共卫生事件下大规模人群出行规律挖掘、疾病传播建模与预测、防控策略优化与防疫效果评估等方面建立了系统、完整的技术框架（Jia Jayson S, Lu Xin, et al, Nature 2020; Lu Xin et al, Health Data Science 2021; Tan Suoyi et al, National Science Review 2021）。

近年来，智能手机、GPS、APP等现代信息技术的快速发展使收集人群移动轨迹的数据成为可能，有力推动了基于时空大数据开展人群移动模式的研究。新冠疫情期间已有多项研究利用此类数据分析新冠病毒的时空传播规律。然而，以往研究多聚焦在国家或城市尺度，较少研究回答新冠疫情暴发导致的人群移动模式变化在城市内部以及不同人群（例如，年龄、性别等）间是否存在异质性。此外，由于较难获取完整、准确的新冠流行病学监测数据（例如，不同年龄组人群COVID-19的报告率、缺少报告病例的地理位置等空间信息），尚无研究在高精度空间尺度上将新冠的流行病学与人群移动建立关联，回答不同人群移动模式的异质性，及其对新冠传播的影响。

为回答上述关键科学问题，本研究分析了上海市SARS-CoV-2 Omicron BA.2疫情暴发期间（2022年2-6月）540万上海联通用户的手机信令定位数据（用户在接打电话、收发短信时可记录位置信息，且最近的基站平均每隔30分钟也会记录其位置信息）。考虑到用户隐私，本研究的分析均基于汇总的手机信令数据，将上海市划分为7355个1km×1km的地理网格，将个体的移动轨迹数据汇总为网格之间的人群流动，不涉及每个用户的基本信息和出行轨迹。此外，余宏杰课题组通过公开来源，系统收集了上海市Omicron BA.2疫情暴发期间新冠病毒感染者（包括有症状患者和无症状感染者）的信息。为应对此次暴发疫情，上海市采取了多轮次的全市核酸筛查，极大降低了COVID-19的漏报率，为开展人群移动与新冠病毒传播动力学研究提供了高质量的流行病学数据。

根据上海市采取的防控措施和疫情流行情况，将疫情划分为五个阶段（2月15日-2月28日：疫情暴发前；3月1日至3月31日：全市封锁前；4月1日至4月30日：全市封锁；5月1日至5月31日：部分解封；6月1日至6月30日：完全解封），进而分阶段估计了出行频次和出行距离，并采用Informap方法刻画了移动网络特征以及社区结构的动态变化。

研究结果表明，疫情暴发前平均每人每天的出行频次为1.365，中位出行距离为6.035 km。移动网络中共识别出40个社区，其中最大的占上海市陆地面积的8%。随着疫情进展和干预措施的变化，全市封锁期间，出行频次降至最低（下降87.3%）；出行距离降至1.205 km，其中约79%的出行在3 km内（图1）。

图1. 上海市疫情期间出行频次与出行距离的变化。A：平均每人每天的出行频次与每日新增感染人数，B：疫情暴发前人群移动的空间分布，C：按出行距离分层的人群移动的构成比与中位出行距离，D：每日出行距离的累计概率分布

疫情前的40个社区也分解成221个更小的社区单元，拆解了紧密连接的市中心-郊区结构。完全解封后，出行频次在一周内快速恢复至疫情前的90.5%，其中3 km内的短距离出行恢复最快，超过了疫情前水平；而30 km以上的长距离出行仅恢复至疫情前的一半，社区数量也仅降至54（图2）。

图2. 不同阶段网络结构的变化。A-E分别对应不同的疫情进展阶段。每个节点对应一个社区，节点大小与社区大小成正比，箭头粗细与社区之间的人群移动量成正比

此外，研究还发现网格水平的疫情流行情况及干预措施对人群移动变化的影响存在空间异质性。3月28日浦东封锁前，网格内疫情越严重，其出行降低的比例也越大。例如，感染人数超过50的网格内，人群移动平均降低78.7%，而无疫情报告的网格仅降低13.0%。5月16日后的部分解封期间，高风险地区依然严格封控，主要分布在城郊和郊区的低风险地区则逐渐开始恢复出行。出行的恢复程度与网格内的新增感染人数呈显著负相关，例如，感染人数超过50的网格，出行仅恢复12.6%，而无疫情报告的网格已恢复至84.1%（图3）。

图3. 疫情流行情况以及干预措施对人群移动变化的影响。A：封锁前新冠感染人数（上层地图）以及出行降低比例（下层地图）的空间分布，B：封锁前出行降低的比例与新增感染人数之间的关系，C：部分解封阶段新冠感染人数（上层地图）以及出行恢复比例（下层地图）的空间分布，D：部分解封阶段移动恢复的比例与新增感染人数之间的关系

最后，研究比较了不同人群（年龄和性别）出行频次、出行距离以及移动网络社区结构的差异，并利用3月1日-25日的新冠疫情数据分析了人群移动与新冠感染风险之间的相关性。结果发现，疫情暴发前30-59岁人群的出行频次最高（1.457），出行距离最长（6.195 km）；而70岁以上老年人出行频次最低（0.596），出行距离最短（4.350 km）。全市封锁前，所有年龄组中，更多的出行频次与更高的感染发生率显著相关（Pearson =0.904, p=0.035），更长的出行距离与更大范围的感染面积也显著相关（Pearson =0.894, p=0.040）。各年龄组人群的移动网络特征也存在显著差异。例如，30-59岁人群的平均度（考虑流入与流出的连边总数）是16-18岁人群的40倍，其社区结构连接最为紧密（社区大小排名前10的社区所占面积为37.250%）、社区数量最少（141）。同样发现男性比女性出行距离更长、出行频次更高、社区结构更为紧密以及社区数量也更少，相应地其感染发生率更高、感染的面积更大（图4）。

图4. 不同年龄和性别人群出行频次、出行距离以及移动网络社区结构的变化。A-C：疫情暴发前、全市封锁期间以及全市解封后按年龄和性别分组的出行频次与出行距离；d-f：左侧表示按社区大小排名前10的社区占上海市面积的比例，右侧表示总的社区数量，其中填充部分表示至少覆盖10个网格的社区数量；g-h：不同阶段按年龄和性别分组的度分布

综上，本研究利用高精度的手机信令数据和新冠流行病学疫情数据，结合空间尺度及人口学特征，对上海市SARS-CoV-2 Omicron BA.2疫情暴发期间人群移动行为的变化进行了深入评估，阐明了移动行为的变化与实际感染风险之间的相互作用。研究结果有助于设计城市内的空间靶向干预措施，为呼吸道传染病的精准防控提供重要参考。此外，基于实时、准确的人口流动信息，可及时评估和调整疫情防控策略，为疫情防控的精准分析、精准施策等提供重要的科学决策证据，减少对人群生活和社会经济的影响。

复旦大学公共卫生学院青年研究员张娟娟和国防科技大学讲师谭索怡为论文共同第一作者，复旦大学公共卫生学院余宏杰教授和国防科技大学吕欣教授为论文共同通讯作者。本研究得到国家自然科学基金重点项目（82130093）、国家自然科学基金基础科学中心项目（72088101）、国家杰出青年科学基金（72025405）、上海市青年科技启明星项目（22QA1402300）、国家自然科学基金青年基金（72001211）等资助。

小编微信

注：添加小编请备注昵称+单位+研究

生命科学综合交流QQ群:681341860

微信学科群：病毒学群，神经科学群、临床医学、肿瘤学科群、硕博交流群和医药投资交流群（微信群审核要求较高，请各位添加小编后主动备注单位研究方向）

微信扫码关注该文公众号作者

戳这里提交新闻线索和高质量文章给我们。

来源: qq

点击查看作者最近其他文章