在2019年12月底，距离中国新年（春节）不到一个月之前，武汉市报告了65例由2019-nCoV引起的肺炎病例。 武汉是中国主要的交通枢纽，并拥有1100万居民。 中国农历新年期间人们的流动不断增加，很可能进一步在中国其他城市以及其他地方中传播这种病毒。 因此，为了防止2019-nCoV的进一步传播，从2020年1月23日10:00起，武汉禁止一切进出城市的运输。 据现有资料，这是人类历史上为防止传染病传播进行的最大隔离/移动限制。评估和衡量大规模干预措施的效果对于规划此次和未来流行病的有效应对至关重要。 为此，来自北京师范大学、北京微生物与流行病学研究所、美国普林斯顿大学、英国牛津大学等机构的研究人员合作收集了中国所有城市的病例报告，并记录了每个城市的第一例2019-nCoV的发现时间与当地响应时间。通过结合流行病学和人类流动性数据，研究人员发现出行限制使从武汉到中国其他城市的2019-nCoV传播速度减慢了2.91天（95％置信区间：2.54-3.29）。 结果表明，有超过130个城市（覆盖了中国一半以上的地理区域和人口）受益于此干预措施。 这种延迟为建立和加强其他控制措施提供了时间，从而对于遏制该流行病至关重要。此外，中国此次2019-nCoV的经验表明，城市化和现代交通运输系统的发展也增加了新兴传染病控制应对措施的紧迫性。 2019-nCoV的传播为研究出行限制如何阻碍新兴传染病在空间上的传播提供了机会。作者：Huaiyu Tian, Yidan Li, Yonghong Liu,Moritz U. G. Kraemer, Bin Chen, Jun Cai, Bingying Li, Bo Xu, Qiqi Yang, PengYang, Yujun Cui, Yimeng Song, Pai Zheng, Quanyi Wang, Ottar N Bjornstad, RuifuYang, Oliver Pybus, Bryan Grenfell, Christopher Dye相关论文信息： Early evaluation of the Wuhan Citytravel restrictions in response to the 2019 novel coronavirus outbreakDOI: 10.1101/2020.01.30.200198442019-nCoV传播和控制的早期动态变化截至2020年1月30日，新型冠状病毒2019-nCoV的爆发已导致7818例病例。 了解感染的传播动态对于评估控制措施的有效性和在新地区发生持续传播的潜力至关重要。英国伦敦卫生与热带医学院的研究人员将随机传播模型与武汉市2019-nCoV病例数据和源自武汉的出口病例相结合，以估计截至2020年1月23日的传播随时间变化以及城市有症状病例的可能流行。 根据这些估计，研究人员计算了新近引入的病例将在其他地区爆发疫情的可能性。 研究人员估计，从2020年12月中旬到2020年1月中旬，中值繁殖数R在1.6-2.9之间波动。 研究人员发现，与模型相比，美国、澳大利亚和法国的确诊病例有更多的武汉旅行史，并且估计到2020年1月23日，由于出行限制，武汉市共有29500例（14300-85700例）有症状的病例。 根据对R的估计，研究人员计算出在具有与武汉类似传播潜力的地区，一旦引入的病例超过三个，在该人群中感染的机会就超过50％。 这些结果表明，2019-nCoV在持续的人际传播方面具有巨大潜力，在2020年1月23日引入旅行限制之前，从武汉出口的病例可能有所增加。 随着越来越多的病例到达国际地点，很可能许多传播链将无法从最初建立，但最终仍可能导致新的爆发。作者：Adam J Kucharski, Timothy W Russell,Charlie Diamond, CMMID nCoV working group, Sebastian Funk, Rosalind M Eggo相关论文信息：Early dynamics of transmission andcontrol of 2019-nCoV: a mathematical modelling studyDOI: 10.1101/2020.01.31.20019901中国湖北省2019-nCOV疫情流行趋势的建模截至2020年1月30日（北京时间）凌晨8点，世界各地已确认约8000例病例。 因此必须对受灾最严重的湖北省2019-nCOV疫情的流行趋势进行建模。 通过SEIR模拟，吉林大学的研究人员预计湖北省的流行高峰将在2020年1月28日至2020年2月7日之间，总共将达到7000-9000例感染病例。 这些估计是基于一些假设并存在局限性。作者：Lizhe Ai相关论文信息：Modelling the epidemic trend of the2019-nCOV outbreak in Hubei Province, ChinaDOI: 10.1101/2020.01.30.20019828新型冠状病毒（2019-nCoV）感染肺炎（NCIP）的传播和流行病学特征：与2003-SARS相比得到的初步证据 陕西中医药大学的研究人员通过收集中华人民共和国国家卫生健康委员会和世界卫生组织网站的NCIP和2003-SARS信息，然后分析两种传染病的传播动态。 从16个省的卫生委员会的网站获得了287例确诊的NCIP患者的信息。描述性的流行病学分析方法被用来仔细分析流行特征。 随后，分别分析和比较了武汉和中国其他内陆地区的NCIP流行数据。 基于已确认的NCIP病例数据构建了多元函数模型。 研究人员发现，新发病例和NCIP死亡的增长率明显高于2003-SARS。 武汉等内陆地区确诊病例数均呈上升趋势。287例确诊的NCIP病例，年龄在9个月至90岁之间，平均年龄为（42.38±15.97）岁。 性别比（男：女）为1.35：1。 武汉及其他内陆地区的NCIP患者人数符合Y=0.7209 x3-11.97x2+59.129x（R2=0.9858）和Y=2.2169 x3-39.74 x2+158.88x（R2=0.9357），根据其R2值判断，具有良好的拟合效果。 因此，NCIP的病死率低于2003-SARS，其治愈率更高。 NCIP患者的年龄主要集中在30-50岁之间（68.29％）。 第一代NCIP患者受到的危害确实高于继发病例。作者：Rongqiang Zhang, Hui Liu, Fengying Li,Bei Zhang, Qiling Liu, Xiangwen Li, Limei Luo相关论文信息：Transmission and epidemiologicalcharacteristics of Novel Coronavirus (2019-nCoV)-InfectedPneumonia(NCIP):preliminary evidence obtained in comparison with 2003-SARSDOI: 10.1101/2020.01.30.20019836基于基本再生数及其不确定性对2019-nCoV早期暴发的初步估计新型冠状病毒（2019-nCoV）最近已成为全球威胁。 随着流行病的发展，许多疾病建模者已经优先估计基本再生数R0（即由主要病例引起的平均继发病例数）。 尽管这些工作非常有价值，但是它们的建模方法和所产生的估计差异很大。美国普林斯顿大学等机构的研究人员提供了一个框架，用于将R0分解为三个关键量（指数增长率r，平均产生间隔G和代间传播kappa），从而比较了各种模型中R0的不同估计值，并应用这一框架提前估算出R0在2019-nCoV爆发中的发病率。 这些结果强调了在所有三个量中传播不确定性的重要性，尤其是在代间传播分布中。 尽管爆发期间的快速反应可能很有价值，但避免过度自信也很重要。建模人员应与现场工作人员合作，开发出更好的方法来表征代间间隔。作者：Sang Woo Park, David Champredon, DavidJ.D. Earn, Michael Li, Joshua S. Weitz, Bryan T. Grenfell, Jonathan Dushoff相关论文信息：Reconciling early-outbreakpreliminary estimates of the basic reproductive number and its uncertainty: anew framework and applications to the novel coronavirus (2019-nCoV) outbreakDOI: 10.1101/2020.01.30.20019877机场筛查在检测2019-nCoV感染旅客中的有效性随着中国内地和国外新型冠状病毒病例数量的增长，公共卫生部门需要证据证明控制措施的有效性，例如对到达机场进行热筛查。英国伦敦卫生与热带医学院的研究人员评估了2019-nCoV感染出入境筛查的有效性。 在研究人员的基准情景中，根据潜伏期，出入境检查的敏感性以及无症状病例的比例，研究人员估计将不会检测到46.5％（95％CI：35.9至57.7）的受感染旅行者。 机场筛查不太可能检测到足够比例的2019-nCoV受感染旅客，以免被感染旅客入境。研究人员开发了一个在线工具，从而可以在获得新信息时更新结果。作者：Billy Quilty, Sam Clifford, StefanFlasche, Rosalind M Eggo相关论文信息：Effectiveness of airport screeningat detecting travellers infected with 2019-nCoVDOI: 10.1101/2020.01.31.20019265
精选
