您的当前位置:首页->新闻中心
新闻中心

谁的新冠病奥林巴斯显微镜毒遏制策略最有用? 科学家探求最有用的方法

标签:谁的,奥林,奥林巴斯,显微,显微镜,遏制,策略,最有  2020-4-29 11:47:22  预览

  

据Nature报道,研究人员正在筛选数据,比较各国截然不同的遏制措施。

香港好像在如何有用遏制COVID-19方面起到了示范作用。它有750万人口,仅报告了4人死亡。研究香港方法后,研究人员发现香港采取了敏捷监视,社会隔离(例如使用口罩和学校停课)等措施,有助于削减冠状病奥林巴斯显微镜毒的传播:以每位感染者的平均感染人数R值来衡量,在2月初之前接近1的临界水平。本月发表的论文“Impact assessment of non-pharmaceutical interventions against coronavirus disease 2019 and influenza in Hong Kong: an observational study”说明了相关情况。

目前,科学家们最紧迫的题目之一,就是研究全球范围内采取限定冠状病奥林巴斯显微镜毒传播措施的有用性。研究人员盼望他们最终能够正确地展望添加和删除控制措施,会如何影响传播率和感染人数。这些信息对于当局设计复工复产的策略,同时保持较低的传播率以防止第二波感染是必不可少的。

“这与下一次疫情无关。而是关于‘我们如今要做什么?’”伦敦卫生与热带医学学院(LSHTM)的数学建模者Rosalind Eggo说。

科学家们已经在研究模型电源模块,这些模型使用来自各个国家的数据来了解控制措施的结果。基于现实数据的模型应比在爆发开始时重要使用假设来展望干预措施结果的模型更为正确。结合来自世界各地的数据,研究人员可以比较各国的反应。并且与各个国家的研究相比,还可以有助于进一步设计模型,对大流行的新阶段以及在很多国家进行更正确的展望。

但是,搞清因果关系是极具挑衅性的,部分缘故原由是每个国家的情况各不雷同,而且不知道有多少人会按照要求,采取措施。“这确实很难,但这并不意味着我们应该摒弃尝试。”

齐心协力

LSHTM小组为世界卫生组织(WHO)预备了一个数据库,该数据库汇集了已在全球范围内引入的数百种不同干预措施的信息。这个小组包括英国牛津大学,维也纳科学中心(CSH Vienna),ACAPS等处的科学家。

LSHTM项目数据科学家Chris Grundy说,该数据库将标准化不同团队收集的信息,并且应该比单个小组可以生成的任何信息更周全。

像世界卫生组织如许的机构通常会跟踪疾病奥林巴斯显微镜暴发中使用的控制措施百度快照优化,但对于COVID-19,大流行的速度和规模使情况变得复杂。LSHTM招募了1,100名自愿者,负责清理和合并信息。 Grundy说,该数据集将开放给任何人使用,并将在未来进行改进。他说,速度至关紧张。

国家措施分类

两组科学家正在分析相关数据,他们的方法包括根据流行病奥林巴斯显微镜在多大程度上开始采取干预措施,以及引入的限定总数来对国家进行聚类。例如在欧洲,研究小组将瑞典,英国和荷兰列为举措相对较慢的国家。在流行病奥林巴斯显微镜的早期阶段,所有这三个国家都实施了“群体免疫”战略, 很少的措施或依靠志愿遵守的措施,不过后来英国和荷兰转向更积极的应对措施,包括在全国范围内实施封锁。

与此同时河南人事考试,德国和奥地利在采取积极和早期控制策略等方面体现得更为凸起,而意大利,法国和西班牙则采取了类似的措施,包括进行封锁。迄今为止,德国和奥地利这些国家人均死于COVID-19的比例很小。

研究早期发现还注解,相对于疫情爆发的紧张程度,较贫穷的国家倾向于采取比富裕的国家更严酷的措施。例如,海地在确认首例案件时就实施了封锁,而美国在首例死亡后等待了两个多星期才发出留在家里的饬令。牛津大学公共政策研究人员Anna Petherick透露表现,这可能是由于卫生保健系统不发达的低收入国家采取了更为郑重的举措。她说,这也可能反映出疫情是较晚到达这些国家的,这使它们有更长的时间向其他国家学习。

模式和展望

最终,研究人员盼望LSHTM数据库中的数据不仅仅是检查相应的差异,还可以了解这些策略在限定疾病奥林巴斯显微镜爆发方面的有用性。Eggo说:“我们确实必要实时评估这些干预措施,以便每个人都可以制订切实可行的政策。”  “假如我们不知道什么有用,我们也不知道多少有用,那么决定下一步该做什么将特别很是困难。”

理想情况下,研究人员将能够展望随着时间的推移,添加和删除干预措施将如何改变感染数量。维也纳CSH和维也纳医科大学的数学物理学家Nils Haug说,政策制订者可以使用这种展望,以及有关重症监护能力的数据来做出决策(例如是否重开学校)。

Haug是一个由15人组成的建模团队的成员,他们的研究方向是使用哪种统计方法。这些方法可以直接找到确定最佳展望感染率的措施,而不必直接确定每种干预措施的确切结果。一种方法涉及使用称为递归神经网络的机器学习技术从数据中的模式中学习并进行展望。研究人员可以通过查看从网络中删除有关干预措施的信息时展望的转变来了解某些给定干预措施的紧张性。

另一种技术是回归分析,它估算了所有国家/地区中特定度量(例如,学校关闭)和度量标准(例如,R)之间的关系强度。例如,使用诸如套索之类的回归技术,研究人员可以确定哪些措施使R值削减得最多。

Haug说,但是所有方法都有局限性。研究人员盼望能够诠释一些国家的特别情况,例如某些国家的代际家庭患病奥林巴斯显微镜率更高,这可能会加速传播。维也纳团队尝试将这些不同的特性直接纳入其模型。目前,他们会将它们悉数捕捉为一个变量,从而改变每个国家/地区的R值。

没有疫苗,没有有用的治疗方法,因此遏制传播仍然是对抗COVID-19的唯一防御措施。 Petherick说,了解每种控制措施的结果对于找出可以安全更改或删除的措施至关紧张。她说:“假如我们能够了解应该采取的措施以及最有用的方法,以便能够阻止扩散,保护大家的健康奥林巴斯显微镜,我认为那将是伟大的贡献。”

(生物通)