一旦有新疾病现身，科学家以及决策者究竟怎样去预测其传播速度会多快，又会影响到多少人呢？答案在很大的程度上是要依靠好一系列的数学模型，那一系列的数学模型是以数学语言去描绘疾病于人群当中的扩散轨迹的。
基础模型：SIR的核心框架
得病人群被 SIR 模型分成三类，分别是有可能患病之人，正处于患病状态之人，以及已然康复之人，该框架作出一个假设，即一个人康复后不会再次患上同一种疾病，且人群总数维持不变，这种简化使得它成为理解疫情动力学的起始点。
模型借由两个关键数字展开运作，那便是，感染率和康复率，感染率用以描述，一个病人于单位时间之内，能够传染多少名健康之人，然而康复率乃是反映，病人转归为健康状态的速率通过一组微分方程，能够计算出各类人群数量伴随时间而推移延伸的变化曲线。
考虑潜伏期：SEIR模型的改进
有许多疾病，就例如新冠病毒这种，它在感染之后不会马上就出现症状，反而是存在一段潜伏期。SEIR模型于易感者跟感染者之间增添了“潜伏者”这一群体，其目的是用来描述那些已经携带病毒但还不具备传染性或者尚未出现症状的个体。
模型因这一改进，得以更贴近现实。参数“潜伏期转化率”，掌控着从暴露状态至发病状态的转变速率。在新冠疫情的早期阶段，全球众多研究团队运用SEIR模型展开预测，给评估隔离措施的必要性以及持续时间，提供了量化根据。
免疫力非永久：SEIRS模型的引入
对于诸如季节性流感这般的病症，人们康复过后所获取的免疫力有可能随着时间而逐渐减弱，进而致使再次受到感染，SEIRS模型是在SEIR的根基之上，准许康复者以一定的速度再度转变为易感者。
该模型增添了一个名为“免疫力丧失率”的参数，其对免疫力的动态变化予以模拟，更能够体现出因病毒变异或是抗体水平下降所带来的影响，在开展流感疫苗接种策略制定工作时，此类模型能够助力评估究竟需要多高的接种率方可构建起有效的群体免疫屏障。
现实世界的复杂性：网络模型
通常情况下，传统模型常常会假设人群混合呈现均匀状态，然而在现实情形当中，每一个人的社交接触是存在一定限度的并且是具有结构化特点的。网络模型呢，它会把每一个人都看作是网络里的一个节点，而接触关系就是用来连接这些节点的边。
在这般模型状况下，疾病顺着社交网络的边去开展传播，超级传播者常常对应着网络里连接数量众多的关键节点，借助对不同社区、工作场所以及家庭接触网络予以模拟，能够更为精准地评估关闭学校或者限制集会等针对性举措的效果。
模型的关键参数与数据
任意模型的精确程度都极其依仗输入参数的品质，感染率、康复率等关键参数得从实际的流行病学调查数据里估算，比如借助确诊病例的时间序列予以反向推导。
于2020年初的时候，各个国家的研究人员针对新冠病毒基本再生数R0的估算存有差异，这恰恰是源自早期数据的不确定性，随着病例报告的增加，血清学调查以及接触者追踪数据的积累，模型参数能够不断被修正，进而让预测变得更为可靠。
模型的局限与实际应用
所有的模型，皆是对于现实的一种简化，其构建是基于像人群均匀混合、参数恒定这类假设之上的。现实的状况可要复杂许多，涵盖了防控措施的干预，人们行为的改变，还有病毒自身的变异。
所以，模型的价值并非在于给出精准预言，而是有关比较那些不同干预方案潜伏的结果。举例来说，借助模拟像“什么都不做”、“部分封锁”以及“严格隔离”这般等等的情景，决策者能够直观地察觉到不同策略于感染峰值、医疗系统压力方面的不同之处，进而做出更为明智的抉择。
是不是你觉得，针对往后也许会出现的新发生传染病，我们现有的这般模型足以应对，又或者是需要去开发全新的建模框架呢？欢迎于评论区去分享你的看法，要是觉得此文有帮助，那就请点赞予以支持。
