社会流行病学背景下的COVID-19疫苗接种优先策略

小白天使

社会流行病学背景下的COVID-19疫苗接种优先策略
https://mp.weixin.qq.com/s/ojuVwNyVaOZf6W8VszHYEw
[color=rgba(0, 0, 0, 0.3)]原创 邹鹤娟SIFIC感染循证资讯5月6日

撰写:邹鹤娟（华山医院）

编者按：

COVID-19大流行期间，在不断变化的社会流行病学背景下，成功的大规模非药物干预正在被社会广泛接受。疫苗广泛应用之后，我们将面临与早先极为不同的流行病学局面。加拿大研究者认为，当局必须考虑优先接种哪些人群。他们以安大略省2020年的多次大流行为背景，设计了4种以优先策略，以供参考。

研究背景/目的：

随着SARS-CoV-2感染的浪潮席卷世界，COVID-19疫情给全球带来了巨大的健康负担。实践经验和数学模型表明，诸如物理隔离，手卫生，佩戴口罩等非药物干预手段，在减少COVID-19的感染中具有效果。鉴于封锁和物理隔离带来的社会经济学成本，药物干预是非常可取的。现有数十种疫苗正在被研制[5]，也有很多模型探索哪类人群应该优先获得COVID-19疫苗。

随着疫苗问世，社会也会变得非常不同。当一个新病原体出现时，易于实践的非药物干预手段通常是为数不多的，可用的干预措施之一。随着越来越多的，愿意遵守公共卫生建议的人群响应后，COVID-19疫情曲线有可能变平。从这个角度讲，疫情大流行浪潮不仅仅是（单方面）强加给人类的，它也是人们对病原体作出不同反应而创造的。它们例证了疾病动态和行为动态相互作用的耦合社会流行病学系统。

无论对传播风险高的人，还是对死亡风险高的人接种，都关系到COVID-19疫苗接种的优先次序。我们在PuBMed, medRxiv中检索截至2020年9月24日的关键词“COVID-19，疫苗，模型，优先级”，都没有发现数据报道或有关的只言片语。我们确定了四种COVID-19疫苗接种的数学模型，探索在不同年龄组优先接种的情况，探讨最佳的疫苗接种策略如何依赖广泛的社会流行病学数据和免疫计划而产生。

研究方法：

建立一个基于年龄结构的SARS-COV-2传播的社会流行病学耦合模型，包括进化博弈论在内，模拟人群非药物干预的依从性对病例发生率的影响，和迁移模式的改变。对疫苗获得之前和获得之后可能发生的社会流行病学状况，我们使用情景分析和敏感性分析来确定策略的有效性，其中社会动态和流行病动力学相互作用。在模型中，学校和工作场所依据报告结果关闭或重新开放。该模型的数据参数包括COVID-19病例和死亡率，SARS-CoV-2血清阳性率，人口流动性，以及加拿大安大略省的人口统计数据。疾病参数来自SARS-Cov-2流行病学文献。假设疫苗对疾病感染和传播的有效性为75%，假设每周疫苗接种率为人口的0.5%-5%，研究时间从2021年1月1日到9月1日。比较四种策略：60岁及以上（最老优先策略），20岁及以下（最年轻优先策略），按年龄统一接种疫苗（统一策略），和一种新的基于接触的策略（接触策略）。后三种策略阻断了传播，策略一针对弱势群体。

模型结构和参数

我们开发了以5年为递增单位的SEPAIR年龄结构模型（S susceptible 易感，E exposed 暴露 ，P presymptomatic 症状发生前，A asymptomatic 无症状,S symptomatic有症状,R removed移除者）。感染后，个体进入到一个潜伏期，在这段时间内他们已经被感染，但是还没有传染性（即暴露）。潜伏期过后，感染个体经历：症状发生前传染性，有症状或无症状传染性，最后在传染性结束时进入移除状态。感染的易感性是特定年龄组，因为存在全年接触模式变化，感染的易感性还考虑了季节因素。

统计分析

为了推断模型参数，使用贝叶斯粒子过滤将模型拟合到安大略省有报告的COVID-19病例（按年龄和时间分层）、血清阳性率、和人口流动数据。使用血清流行病学数据确保我们对传播的估计不会因病例报告不足而存在偏差。通过安大略省人口和死亡率数据，以及COVID-19有关文献确定剩余的模型参数值。模型结构，参数化，数据源，和模型拟合的细节见附录（pp 1-11）。图1中，比较了报告病例的后验分布和坚持非药物干预的经验数据。（附录和数据见https://git.uwaterloo.ca/pjentsc ... ological-landscapes）

图1：COVID-19 病例数和坚持非药物干预者

（A） 安大略省按照报告日期分类的COVID-19病例发生率。点表示确定病例数据的7天运行平均值，线表示最佳拟合模型下的病例发生率（阴影部分为95%可信区间）。

（B） 根据谷歌移动数据，每个点代表与前一年5周平均对应天数相比，在特定日期，花费在零售、娱乐场所和工作场所的时间减少比例。线条显示了坚持非药物干预的人口比例（阴影区域表示95%可信区间）及拟合模型中的工作场所和学校封闭曲线。方法和数据来源在附录中提供（附录 pp1-11）

非药物干预场景

我们的设想中，当学校和工作场所确定的活跃病例数量超过疫情第一波高峰确定的活跃病例的50%，100%，200%，或250%，关闭（封城阈值）。当低于阈值时重新开放。我们使用进化博弈论的社会学习动力学来模拟个体坚持采用非药物干预。通过比较是否实施非药物干预的成本，个体之间以特定速率相互作用，在坚持和不坚持非药物干预之间转换。根据确诊病例的流行情况，感染风险增加。（附录 pp 1-5）。

疫苗场景

假设疫苗注射有2个时间：1月1日和9月1日。这个日期对应接种2剂次疫苗的结束时间。我们假设每周可以接种的人群占人口的0.5%，1%，1.5%，2.5%，或5%（疫苗率）。基线假设为接种疫苗的所有年龄层，对疾病及传染性的有效性为75%。

在老人优先策略中，疫苗优先给与60岁及以上年龄的个体。年轻优先的策略中，疫苗优先给与20岁及以下年龄的个体。统一策略中，疫苗统一分配给所有年龄人群。接触优先策略中，按照传播中不同年龄不同角色分配疫苗。这一策略倾向于优先考虑15-19岁的人，其次是20-59岁的人，对年龄较大或较小的人优先程度最低。老年人优先策略针对的是弱势群体，其他三类策略旨在中断传播。

研究结论：

病例报告，坚持非药物干预，以及持续封城，这些措施与疫苗时间相互作用。随着时间推移，随着群体免疫的建立，传播中断策略变得相当有效。该模型复制了2020年3月以来的两次及以上大流行，不仅关注到了COVID-19病例，还关注到了坚持非药物干预的人群，以及学校和工作场所关闭的周期。（图2，附录pp 14-15）。无论在疫苗前时代，还是在疫苗时代，SARS-CoV-2流行与大规模非药物干预人群之间的交互关系，将在大流行过程中继续发挥重要作用。因此，社会流行病学模型是有价值的。通过研究社会流行病学模型，我们认为采用老年个体优先策略可以更好阻断传播，减少COVID-19死亡。

图2  大流行期间社会流行病学的相互作用及时间轴上的疫苗效力

(A) 明确的COID-19病例数

(B) 参与非药物干预的人群比率

(C) 学校和工作场所关闭程度

(D) 免疫人群数

预测基于安大略省的人口规模（1460万），疫苗从2021年1月1日开始（如图中虚线所示），第一波疫情高峰病例数200%的时候关闭学校和工作场所，假设每周可以接种的人群占人口的0.5%，其他参数值见附录（pp1-11）。

模型预测，4种疫苗策略对于COVID-19病例和相关死亡的效果，取决于疫苗接种时间和起效时间。大多数参数价值支配疫苗接种率和封闭的阈值（图5）。如果没有疫苗接种，安大略省2021年1月1日到2025年3月14日将有72000人死亡（95%可信区间 40000-122000）。如果周疫苗接种率为人口的1.5%，最老优先策略将使COVID-19的死亡率平均降低90.8%，其次是统一策略89.5%，接触优先策略为88.9%，最年轻优先策略为88.2%。在没有疫苗接种的情况下，安大略省2021年9月1日到2025年3月14日将有6万人死亡（95%可信区间 31000-108000），如果周接种率为人口的1.5%，接触优先策略减少平均死亡率92.6%，统一策略92.1%，最老优先策略91.0%，最年轻优先策略88.3%。

策略一中，疫苗接种开始于2021年1月1日，疫苗接种率相对较高（≥1.0% 每周人群）。可以预防2021年秋季的第三波疫情或2022年春季疫情（图3A;附录p13）。这种策略中，足够的人群提前接种疫苗以预防第三波疫情，但是老年人策略较其他策略预防了更多死亡（图4A,5A）。

策略二中，情景一为疫苗接种开始较早（2021年1月1日），但是接种率较低（≤0.5%每周人群，图2，3B,4A）；情景二为接种晚（2021年9月1日）但是接种率高（≥1.5%每周人群，图3C,4B，附录P14）。在这种情形下，足够比例的人口获得了间接保护疫苗，这点在第三波流感期间变得非常重要，但接种疫苗的人却不够多。因此，统一策略、接触策略比最老优先策略更有效果，但是最年轻优先策略的效果最差（图2B,2C,4,5）。然而，随着接种率越来越高，所有4种策略的有效性都趋同，因为所有人群都很快接种了疫苗（图4B）。

策略三中，接种疫苗开始晚（2021年9月1日），疫苗接种率低（≤1.0%周人口，图3D，附录p15）。这种情形没有充足的时间获得来自疫苗足够的保护。最老策略比其他三种策略防止死亡的人数更多（图4B,5B）。由于疫苗的延迟推出，其死亡率高于其他两种策略。

图6中，频率直方图显示在疫苗计划开始时，具有自然免疫力的人口百分比。在最老优先策略中，具有自然免疫力的人口相对比较低。这一发现是意料之中的，因为当仅有少数人具有疫苗间接保护的自然免疫力时，疫苗保护作用弱，但是从而可以进一步建立疫苗保护。需要注意的是，这些直方图的方差很高，这强调了模型中其他因素的作用，如时间，以及社会和流行病学动态之间的相互作用。

我们还研究了在60岁以上人群和60岁以下的人群中, 根据疫苗功效(从40%到90%)，最佳策略的变化(附录 p19)。对一月份的获得接种的，最老优先策略是最好的。九月获得接种的，统一策略和接触优先策略是最好的，尤其是60岁以上人群的疫苗效力，至少比60岁以下人群的疫苗效力高出5%。

我们还模拟了疫苗获得后接种行为的动力学（附录 pp 4,20-23）。由于缺少经验数据，我们探索了广泛的社会认知数据和疫苗对于降低感染的感知成本。结果表明，足够的高感知成本可以令统一策略或接触优先策略好于老年人优先策略，尤其是1月疫苗。除非疫苗的社会学习率也很高（附录 pp 20）。疫苗拒绝情况随着疫苗成本的上升而增加（附录pp 21-23）。因为目标组拒绝接种疫苗，而迫使其他年龄组接种疫苗，这使得所有的策略表现的更像统一策略。

我们还分析了一种情况，即疫苗对疾病的效力大于疫苗对传播性的功效。我们发现治愈疾病功效为95%，传播性功效维持在75%时，4种策略的功效都有轻微改善，尤其是对于最老优先策略和统一策略（附录 p29）。最终，在一个社会动态固化的特殊情况下，模型对流行病曲线的拟合变差，基于接触或统一策略表现出巨大优势（附录pp31-32）。

图3：三种模型下的疫苗接种策略

预测模型中，如果接种开始于1月（A,B）或者9月（C,D）,如果每周接种率为1.5%（A，B）或0.5%（B，D）。这些场景代表了三种主要的模型：及时接种（A），部分接种和间接防护（B,C）, 以及慢接种迟接种（D）

图4 免疫策略效果和降低死亡率的开始日期

四种疫苗策略下，疫苗接种开始于2021年1月1日（A），和2021年9月1日（B）的死亡率下降小提琴图。水平线表示后验模型投影的中位数和95%可信区间。

图5: 根据2021年1月（A）和9月（B）的疫苗接种率和关闭阈值，测算预防死亡的最佳方式。

图6：预存在的自然免疫对传播阻断策略有效性的影响

每一个策略中人口自然免疫的比例直方图。（A）最老优先策略 （B）最年轻优先策略 （C）统一策略（D）接触优先策略 最有效的策略被定义为在数量最多的模型中实现降低死亡率最多的策略，垂直曲线表示分布的中位数。其他参数见附录（pp1-11）

讨论

社会流行病学模型提示SARS-CoV-2疫苗在大流行后期是否有效，取决于疫苗何时可以获得，以及人群可以多久获得免疫力。这些结果只有在经历了一波或多波感染后才能获得免疫力。作为非药物干预依从性指标，我们拟合谷歌移动数据与大流行期间COVID-19病例报告数据（图1）。此外，社会数据的子模型和有数据报道的流行病学子模型的拟合一样好，这提示该如何运用相对简单的模型来为大流行期间的人群行为建模。

研究的局限性在于年龄组的预先设置。由于没有其他特异性的资源，例如地理，社会特性，性别，种族等因素，在这种高度不均衡的流行病中，所有这些都是疾病负担的重要决定因素。长期照护机构的疫情也没有模拟，因为那里的传播和间接保护动态与普通人群有所不同。同样的，我们没有区分医疗机构工作者和其他劳动者。我们采用的是单一种群模型，但是不同种群间的流动可以影响传播动态。来自一个种群的传播者大量涌入，会消弱疫苗提供的间接保护。最后，模型模拟的是加拿大安大略省的数据。4种疫苗策略的预期效果可能由于流行病学或社会的特征不同而有差异。

我们建议，为了将这些成果应用于大流行，接种前的大规模血清流行率调查可以确定人群的自然免疫水平。例如在2020年秋季或冬季，因病例潮而导致高SARS-Cov-2血清阳性人群中，接种疫苗阻断传播，可能比针对弱势群体接种更为有效降低死亡率。

参考文献：

[1]Miller IF, Becker AD, Grenfell BT, Metcalf CJE. Disease and healthcare burden of COVID-19 in the United States. Nat Med 2020; 26: 1212–17.

[2]Anderson SC, Edwards AM, Yerlanov M, et al. Estimating the impact of COVID-19 control measures using a Bayesian model of physical distancing. medRxiv 2020; published online April 22. https://doi.org/10.1101/2020.04.17.20070086 (preprint, version 1).

[3]Peak CM, Kahn R, Grad YH, et al. Individual quarantine versus active monitoring of contacts for the mitigation of COVID-19: a modelling study. Lancet Infect Dis 2020; 20: 1025–33.

[4] Tuite AR, Fisman DN, Greer AL. Mathematical modelling of COVID-19 transmission and mitigation strategies in the population of Ontario, Canada. CMAJ 2020; 192: E497–505.

[5]Lurie N, Saville M, Hatchett R, Halton J. Developing COVID-19 vaccines at pandemic speed. N Engl J Med 2020; 382: 1969–73.

[6 ]Bubar KM, Kissler SM, Lipsitch M, Cobey S, Grad Y, Larremore DB. Model-informed COVID-19 vaccine prioritization strategies by age and serostatus. medRxiv 2021; published online Jan 8. https://doi. org/10.1101/2020.09.08.20190629 (preprint, version 3).

[7 ]Buckner JH, Chowell G, Springborn MR. Dynamic prioritization of COVID-19 vaccines when social distancing is limited for essential workers. medRxiv 2020; published online Dec 17. https://doi. org/10.1101/2020.09.22.20199174 (preprint, version 5).

[8] Matrajt L, Eaton J, Leung T, Brown ER. Vaccine optimization for COVID-19: who to vaccinate first? medRxiv 2020; published online Dec 15. https://doi.org/10.1101/2020.08.14.20175257 (preprint, version 3).

[9 ]Pedro SA, Ndjomatchoua FT, Jentsch P, Tcheunche JM, Anand M, Bauch CT. Conditions for a second wave of COVID-19 due to interactions between disease dynamics and social processes. Front Phys 2020; 8: 574514.

[10] Bauch CT. Imitation dynamics predict vaccinating behaviour. Proc Biol Sci 2005; 272: 1669–75.

[11] Innes C, Anand M, Bauch CT. The impact of human–environment interactions on the stability of forest–grassland mosaic ecosystems. Sci Rep 2013; 3: 2689.

[12] Bury TM, Bauch CT, Anand M. Charting pathways to climate change mitigation in a coupled socio-climate model. PLOS Comput Biol 2019; 15: e1007000.

---

jjyysjm

感谢小白老师分享，帮助大家普及疫苗接种的知识

xucf730

要跳出感控，做感控，才会有更多更好的成效！

草莓007

感谢老师的分享，已学习。