为什么Covid-19感染曲线表现得如此意外

随着第一次Covid-19流行病峰，许多国家通过非药剂干预措施解释了感染数量的减少。像“社交偏移”和“展平曲线”这样的短语已成为普通词汇的一部分。然而，一些解释短暂：如何解释感染曲线的线性上升，许多国家在第一个峰后显示，与S形曲线相比，预期的流行病学模型？

在一篇新发表的论文中国家科学院的诉讼程序，复杂性科学中心维也纳（CSH）的科学家提供了解释线性生长感染曲线。

“在大流行的开始，Covid-19感染曲线显示了预期的指数增长，“维也纳医科大学的CSH总裁兼科学总裁兼科学大学科学教授斯特凡······格斯那些也将病毒传递给其他一些人。“随着社会疏散的措施，政府试图推动增长率低于恢复率，因此大大减少了新感染人数。然而，在这个逻辑中，每个人感染的人数少于另一个人，曲线会变平，最终达到零——这并没有发生，”Thurner解释说。

“我们看到的是一种恒定的感染程度，每天都有相似的新感染，”维也纳CSH＆Medical Univ）加入了同学彼得·克莱维克（CSH和Medical Univ）。“用标准流行病学模型解释这一点将基本上是不可能的。”

传统流行病学模型的使用将需要大量的参数进行微调，使得模型越来越令人难以置信。“如果你想平衡测量，使得有效的再现号码r完全停留在1 - 这将解释线性增长 - 你必须通过相同的精确和恒定的百分比减少接触。实际上，这是极不可能的，”klimek。

实际上，观察这些标准隔间模型中线性增长的概率实际上是零，CSH科学家指出。因此，它们的启发是为了扩展模型并寻找进一步的解释。

科学家通过比最初预期的不同形式的展示来解释曲线的线性形状：它们假设在小小的簇中延伸的传播动态持续。“大多数人去上班，被感染并传播到家里的两个或三个人，然后那些人再次上班或学校。感染基本上从集群蔓延到群集，”Stefan Thurner说。“感染曲线的变化从S形到线性行为显然是网络效应 - 与大超级概念的动态截然不同。”

科学家们指出，存在一个关键的接触数量，他们称之为接触网络程度(degree of contact networks, Dc)，低于这个数量，就必然会出现线性增长和低感染率。他们发现Dc等于7.2，假设在与冠状病毒相关的网络中传播的人约为5人，而在有效封锁期间(平均每户2.5人)，这一数字甚至更低。

他们的模型不需要对参数进行微调，而是考虑了使感染曲线保持线性的广泛可能性。它解释了为什么线性感染曲线出现在这么多国家，无论施加的非药剂干预措施的程度如何。

在科学家比较了奥地利的另一步，这是一个以严重锁定的国家，最初没有征收严重措施的国家。根据Peter Klimek的说法，他们的模型适用于这两种情况：“两种类型的国家都显示了线性曲线，但在美国和其他国家和瑞典这样的国家，这些都发生在更高的水平。”

该模型不仅解释了线性生长制度的出现，而且还通过随后的社会疏远来解释为什么疫情可能低于畜群免疫水平。对于标准建模程序，复杂性科学家使用带有SIR模型的所谓的独树级模型，将其与所描述的集群传输扩展。

但是，在未来几个月会发生什么，潜在的数量升高了？随着额外的风险因素，如人们从其他国家的假期返回，更多的时间在里面，疾病的传播可能会发生变化。“如果感染再次上升，则线性曲线潜在再次转向指数增长 - 人们被描述为第二波的人，”Klimek得出结论。

---

---