摘要：进入21世纪以来，SARS、禽流感、甲H1N1流感不断发生，全球新发呼吸道传染病疫情形势异常严峻。呼吸道传染病暴发的经验证明, 建立灵敏、高效的传染病监测预警体系是控制呼吸道传染病蔓延的关键, 也是降低传染病危害的基础。呼吸道传染病由于传播途径容易实现，传播速度快，极容易发展成突发公共卫生事件。为有效控制呼吸道传染病, 除需建立传染病监测预警系统外, 还要不断地提高系统的综合能力以适应疾病流行的新特征和新形势。本文从全球呼吸道传染病的发病趋势以及监测系统发展情况入手, 综述了呼吸道传染病预测与预警发展的现状, 以期为建立适合呼吸道传染病流行特征的传染病预测预警体系提供信息与参考。

建立应对突发公共卫生事件的预警体系是我国疾病控制体系建设的重要内容，也是维护国家安全，建设和谐社会的重要要求。从国内外已经发生的突发公共卫生事件来看，传染病所导致的突发公共卫生事件占了绝大多数，其中呼吸道传染病由于传播途径容易实现，传播范围广、速度快、社会危害大而受到特别的重视。尤其是近年来禽流感在局部地区的暴发流行，更增加了人群中流感大规模暴发流行的危险性[1,2]。流感是由流感病毒引发的急性呼吸道传染病，其发生具有传染性强、传播快的特点。自1580年有记载以来，世界范围内的流感流行或大流行已超过30次，其中发生于1918年至1919年的“西班牙流感”，造成2100万人死亡[3]。我国是流感多发区，流感的流行或局部暴发基本上每年都会发生，每年有1亿多人遭受流感的困扰，由此造成的社会和经济负担难以统计。正是由于流感的巨大危害性，我国对流感的防治工作非常重视，卫生部已将流感列为“十三五”期间重点防治的传染病。因此，深入研究以流感为代表的呼吸道传染病在人群中的传播动力学特征，建立以传染病疫情监测为基础的预测预警系统，进而探讨呼吸道传染病暴发流行的控制策略具有重要的社会价值和公共卫生意义。

传染病疫情监测与疫情报告是传染病预防控制的重要前提。我国虽然较早建立了传染病疫情监测报告系统，已经形成了由点到面、由局部到整体、由基层到中央的较为完整的疾病监测网络，已从单一的人群疾病监测发展（到包括社会因素和自然因素为基础的综合性）为综合性的包括社会因素、自然因素的监测，并拥有重大疫情报告系统、全国疾病监测点系统和单病种监测系统三大传染病监测体系，但由于缺少有效的分析手段，未很好地对历史资料进行开发，以致到目前为止仍未实现对传染病疫情进行预测预警的工作，很难早期发现传染病的暴发和流行，使传染病的防治工作在一定程度上处于被动应付的局面。特别是2003年春季发生的SARS疫情以及近年来禽流感在局部地区的暴发流行，使人们进一步认识到建立传染病早期预测预警系统的迫切性和必要性。

针对传染病的暴发流行，目前国内外预测预警的方法主要有Reed-Frost模型，灰色系统理论、系统动力学理论、差分方程模型、原胞自动机、SIR模型、SIS模型、Fuzzy模型等[4-7]。使用这些模型进行传染病传播动力学特征描述时，均假定疾病是在均匀网络上传播的，其前提是基于均场理论的三个条件：传播网络中每个节点（个体）的度都近似等于k（该假设在实际生活中是难以成立的，因为疾病只能在有接触的人之间传播，而在上述假设中任意人都有可能被所有病人传染）；感染强度和感染个体的密度成比例；不考虑节点的退出和增加（在实际的例子中，人群的流动是必须要考虑的因素）。如基于均场理论的SIS模型得到的一个重要结论是疾病的传播存在着一个传播临界值，当有效传播率大于该临界值时，感染的个体能够将病毒传播扩散，反之则不行[8]。由于疾病波及的范围与传播强度成正相关，如果人群中的疾病长期存在，则必然波及大量个体。但实证研究表明，呼吸道传染病如流感却能够仅波及少数个体而长期存在。因此，经典的传染病传播模型难以解释呼吸道传染病在人群中的传播行为[9]。而目前重大传染病防治中的一个重要课题就是如何分析和解释传染病的传播动力学特征，这是也是我们进行疾病预测预警的基础。但现有的模型和理论均无法解释诸如SARS在2003年流行后，却再也未能监测到一个病例，人间禽流感在人群中散在发生，却很多个案难以找到确切的暴露证据等现象，这在很大程度上阻碍了我们实现传染病预警的努力。换句话说，传统的传染病传播模型均难以全面、系统地解释传染病在人群中的传播行为。

复杂网络上传播理论的研究是近年来的一个热点问题，其研究结果已经在很大程度上改变了人们对传染病传播动力学特征的看法[10-12]。复杂网络理论的研究表明：人类社会的网络是一个复杂网络，而不是一个均匀网络，该网络具有小世界效应和无标度等统计特征[13,14]，传染病在人群中的流行应看作是服从某种规律的在复杂网络上的传播行为。目前的研究表明：复杂网络上的传播行为与规则网络上的传播行为有着根本的不同。有学者研究发现，在具有无标度性质的复杂网络中，无论传播强度多么小，疾病都能够长期存在[15]；个体之间接触的频繁程度对传染病在人群中的传播动力学特征具有明显的影响，从疾病暴发开始，有一段很短的时间，疾病以较慢的速度传播，然后迅速上升到一个很高的峰值，继而以幂函数形式下降[16]；疾病总是优先感染度大的节点(即与他人联系最多的个体) [17]。此外，基于复杂网络理论的传播动力学研究表明，控制传染病流行的最好方法是对网络中结点度大的个体进行隔离或免疫，而我们消灭天花过程提出的“环状免疫”、“接触者免疫”均是这种理论的最好体现[18-20]。

目前运用复杂网络传播理论研究传染病传播多集中于理论探讨，具体实例并不多见，因此，难以在实际工作中指导我们进行传染病暴发流行的预测预警工作。而传统的基于病例为基础的传染病预警研究多缺少对传染病的传播动力学特征的全面分析，虽然随着我国各类疾病监测系统的逐步完善，这类研究对于传染病的预测预警取得了一些进展，但由于其理论基础的先天缺陷，难以在传染病的预测预警方面取得突破性的进展。因此，有必要将复杂网络传播理论的最新研究成果与加强各类监测工作的实践相结合，建立基于复杂网络传播理论的呼吸道传染病的预警模型，制定最优的应对策略和措施，这对提高我国重大传染病的防控水平具有十分重要的指导意义。

目前，我国传染病的预警方法按照不同病种分为两类: 对甲类和按照甲类管理的乙类传染病, 按照直接设定绝对预警值的方式进行预警; 对乙类、丙类传染病根据既往同期(近3 年或5 年) 历史周期的发病数并采用加权的方法尽量排除暴发疫情对周期历史发病水平的影响, 采用移动百分位数法, 观察以天为单位移动的周期发病水平, 同步移动计算历史同期各百分位数, 确定预警阈值, 实现动态自动预警[21]。目前的传染病监测信息系统具有以下优势: 提高了传染病报告的及时性、监测资料的完整性和准确性, 提高了传染病暴发的早期察觉能力及新发传染病早期识别的能力。相关研究表明这得益于传染病监测模式的改变[22]。

综上所述, 现在全球呼吸道传染病疫情形势严峻, 虽然我国已建立传染病监测和预警系统, 但呼吸道传染病的防控工作仍任重道远。因此, 有必要对传染病监测和预警系统进行评估, 以不断完善传染病监测和预警系统。从应对突发公共卫生事件的实际需要出发，针对当前传染病预测预警工作中存在的问题和难点，运用最新理论，探索实现呼吸道传染病暴发流行的预测预警模型，并通过实证研究对该预警模型进行验证，进而制定最优的控制策略和措施。有效的预测预警手段，可以为政府主管部门的科学管理、规划和决策提供科学的依据，又能为进一步开展其它疾病的预测预警及控制开辟全新的研究领域和研究手段，从而具有重大的社会和经济效益及良好的应用前景。

参考文献

1.  Smith DJ. Predictability and Preparedness in Influenza Control. Science. 2006;312:392-4.

2.  Clem A, Galwankar S. Avian influenza: preparing for a pandemic. J Assoc Physicians India. 2006;54:563-70.

3.  Mills CE, Robins JM, Lipsitch M. Transmissibility of 1918 pandemic influenza. Nature. 2004;432:904-6

4.  Menezes RX, Ortega NR, Massad E. A Reed-Frost model taking into account uncertainties in the diagnostic of the infection. Bull Math Biol. 2004;66(4):689-706.

5.  王劲峰, 孟斌, 郑晓瑛, et al. 北京市2003年SARS疫情的多维分布及其影响因素分析. 中华流行病学杂志. 2005;26(3):164-8.

6.  Driessche P, Watmough J. A simple SIS epidemic model with a backward bifurcation. J Math Biol. 2000;40(6):525-40.

7.  Ohno-Machado L, Lacson R, Massad E. Decision trees and fuzzy logic: a comparison of models for the selection of measles vaccination strategies inBrazil. Proc AMIA Symp. 2000; 625-9.

8.  Hiebeler D. Moment equations and dynamics of a household SIS epidemiological model. Bull Math Biol. 2006;68(6):1315-33.

9.  Azaele S, Pigolotti S, Banavar JR, Maritan A. Dynamical evolution of ecosystems. Nature. 2006;444:926-8.

10. Glass RJ, Glass LM, Beyeler WE, Min HJ. Targeted Social Distancing Design for Pandemic Influenza. Emerg Infect Diseases. 2006;12(11):1671-81.

11. Regoes RR, Bonhoeffer S. Emergence of drug-resistant influenza virus: population dynamical considerations. Science. 2006;312:389-91.

12. Barthelemy M, Barrat A, Pastor-Satorras R, Vespignani A. Dynamical patterns of epidemic outbreaks in complex heterogeneous networks. J Theor Biol. 2005;235(2):275-88.

13. Watts DJ, Strogatz SH. Collective dynamics of 'small-world' networks. Nature. 1998;393:440-2.

14. Barabasi AL, Albert R. Emergence of scaling in random networks. Science. 1999;286:509-12.

15. Parham PE, Ferguson NM. Space and contact networks: capturing the locality of disease transmission. J R Soc Interface. 2006;3(9):483-93.

16. Read JM, Keeling MJ. Disease evolution across a range of spatio-temporal scales. Theor Popul Biol. 2006;70(2):201-13.

17. Barabasi AL. Sociology. Network theory--the emergence of the creative enterprise. Science. 2005;308:639-41.

18. Prill RJ, Iglesias PA, Levchenko A.Dynamic properties of network motifs contribute to biological network organization. PLoS Biol. 2005;3(11):343

19. Song C, Havlin S, Makse HA. Self-similarity of complex networks. Nature. 2005 Jan 27;433(7024):392-5.

20. Gmez-Gardenes J, Echenique P, Moreno Y. Immunization of real complex communication networks. Eur. Phys. J. B, 2006,49: 259-4.

21. 金连梅, 杨维中.我国传染病预警工作研究现况分析.中国公共卫生, 2008 , 24 (7) : 84528461

22. 马家奇, 杨功焕, 施小明1. 基于IT 技术平台的中国疾病监测. 疾病监测, 2006 , 21 (1) : 12 31