把流行病建模定义为公共服务
Defining epidemic modeling as a public service
文章主张将流行病建模与疫情分析（含预测、情景推演和态势感知）作为公共卫生基础设施长期投入，而非危机爆发后才临时组织的研究。
世界在疫苗和治疗药物等大流行防火墙方面投入巨大，但在指导其使用的分析情报方面投入却少得多。如同天气预报一样，流行病建模和分析应被视为公共卫生基础设施的常设组成部分。
回顾SARS-CoV-2大流行，人们往往分成两派。一方认为，科学和技术帮助我们度过了危机：尽管医学知识、疫苗和公共卫生政策并不完美，但它们防止了更大的伤害。另一方则主要看到失败：管理不善、不平等、混乱的沟通，以及仅部分有效的疫苗和治疗方法，被归咎于所有出错的事情。无论个人观点如何，有一点是明确的：下一次，我们应该做得更好。在许多重要方面，国际社会正在朝着这一目标努力。各国政府和机构现在认识到，大流行并非百年一遇的事件，并正在规划对应急物流、新病原体监测系统和超快速疫苗平台的投资1,2。
在过去几年作者参加的几次关于“大流行X”的高级别会议上，这一议程始终高度一致。重点在于储备、制造能力、冷链和快速临床试验。相比之下，建模和疫情分析（包括预测、情景推演和态势感知）往往只是几页幻灯片中的附带内容：有趣的附加项，带着一丝怀疑看待，很少被视为核心基础设施。这一问题也反映在资金讨论中：数十亿美元被分配给治疗药物、物资和疫苗，而对预测和分析能力的支持即使被提及，也仅占极小部分。这种忽视是错误的，因为大流行的许多最严重副作用，从供应链中断和通货膨胀到长期学校关闭，都可追溯到对其持续时间和严重程度的错误假设和不确定性。
值得称赞的努力正在进行中。CDC于2023年成立的预测与疫情分析中心，旨在在CDC内部建立建模能力，并支持Insight Net——一个汇集了100多个学术、私营和公共卫生组织的网络，致力于培训、工具开发以及改进传染病疫情分析3。ECDC已启动预测和情景建模的合作项目，WHO也建立了一个大流行和流行病情报中心4。然而，这些努力在很大程度上仍集中在高收入地区，并且仍然缺乏持续的资金、人员和机构承诺，以建立能够不断将新的建模进展转化为操作实践、并在全球范围内扩大大流行应对能力的持久基础设施5。即使在美国这个资源较充足的例子中，对疫情分析的专门支持也仅占整体防范支出的一小部分。此外，低收入和中等收入国家在流行病建模和分析能力方面的匮乏依然严峻6。
我们再一次面临忽视COVID-19教给我们的最重要教训之一的风险。在危机期间，预测未来数周和数月的能力，可能与我们准备部署的医疗工具同等重要。即使拥有最好的预警系统和边境管控，一种新型大流行病原体的暴发也不太可能在源头被遏制。在“大流行X”的大多数现实情景中，我们对检测、疫苗部署或定向遏制所持的乐观时间表将无法成立。正如我们在2020年所经历的，真正的挑战在于减缓已经正在蔓延的疫情7。政策制定者、商界领袖和政治人物将像2020年一样，在疫情暴发的最初几周或几个月里面临棘手的问题。这会演变成一场全面疫情吗？我们能做些什么来控制它？传播是否正在未被察觉地发生，又发生在哪里？未来两到三周内，哪些地区的住院人数可能出现激增？谁应优先获得有限的疫苗、抗病毒药物和防护装备？
这些正是公共卫生当局、医院网络和政府在COVID-19大流行期间苦苦应对的问题。而它们本质上都是建模问题5,8，需要整合临床和实验室监测、流动模式、人口统计信息、血清学、废水以及基因组数据，而其中每一项数据都充满噪声、不完整或存在延迟。 流行病建模和疫情分析，包括预测、情景推演和态势感知，属于公共卫生基础设施。它们应当作为基础设施获得资助，而不是在危机开始时才作为应急研究临时拼凑起来。
来自建模前线的教训
近年来，建模已展现出对公共卫生实践的切实价值，例如COVID-19期间的预测和情景建模，并在如何提高可靠性和影响力方面获得了重要洞见8,9,10,11,12,13,14（见图 1）。过去十年中，传染病建模最重要的变化之一——因COVID-19而加速——是我们对模型的期望发生了根本性转变。长期以来，简单模型帮助我们理解基本机制，从疾病传播如何取决于个体的接触网络，到免疫、干预措施和病原体特征如何影响流行病动态。这些“教科书式”模型对于教学和建立关于疾病如何传播的直觉极为宝贵。但近期危机的一个关键教训是，要拥抱这些模型本应代表的现实世界复杂性。人群在年龄、家庭结构、流动性、健康状况和行为方面具有异质性。个体之间的接触发生在特定场所，如家庭、学校和工作场所。政策并非针对一个抽象的“普通人”；相反，它们关闭特定学区的学校，或限制特定商业场所的容量。作为回应，建模界已开发出纳入更多此类结构和新数据的方法，提高了将关键传播行为整合到模型中的细节和灵活性及其效用11,12。
左：拥抱复杂性与现实性需要整合多样化的数据流：人口结构、通勤与航空旅行网络，以及其他宏观和微观层面的指标。中：需要一套模型组合（统计模型、仓室模型、基于个体的模型和基于 AI 的模型），因为不同的问题和大流行阶段需要多种工具。右：共享的操作智慧和最佳实践，辅以稳健的基础设施，使疫情分析能够作为公共卫生决策的“前瞻”服务发挥作用。
与此同时，没有哪一种模型能适用于所有情况；不同的问题需要多种工具。要理解病原体如何在全球传播，我们需要明确考虑旅行网络和区域连通性的模型。要探索反事实和情景分析，我们必须依赖更详细的仓室模型或基于个体的模型，以考虑特定的社会行为。在实践中，没有任何单一方法或建模团队能够覆盖这整个谱系：我们需要一个工具箱以及相应的专业知识组合，以应对大流行的不同阶段9,12。
在 COVID-19 和季节性流感预测挑战期间，我们还认识到，模型之间的分歧具有宝贵的价值13,14。例如，一个模型可能对流动性或政策的变化更敏感，而另一个模型可能对住院入院数据中的信号更敏感。然而，每种建模方法的特征并不是需要消除的问题；它们是可供利用的特性。事实上，认识到没有模型是神谕，要求每个建模团队明确说明其假设，并避免夸大模型的结论。更重要的是，我们应当青睐多模型集成，即汇总来自不同方法的结果，每种方法都有其自身的结构和假设，这通常比任何单一模型都能提供更稳定的预测15,16。这种方法类似于现代天气预报，同样依赖于持续观测、数据同化和 通信标准，以及数十年来建立的公众信任。这不仅仅是集成数学的问题，而是一种传达反映社区共识观点结果的手段。
最后，过去十年已经展示了流行病建模与预测的明确最佳实践。它们并不完美，但确实存在。我们知道，清晰的方法文档和标准化的目标（例如，明确定义的预测期和诸如每周住院人数之类的目标）能够实现模型比较并加快操作进展17。我们更清楚什么可以预测、什么无法预测，而将预测与假设情景区分开来可以减少沟通问题并建立信任。这些最佳实践是通过预测和情景建模中心、协作挑战以及与公共卫生合作伙伴的持续互动所积累的经验发展而来的。它们代表了建模社区的“操作智慧”18。最重要的是，它们不仅仅是方法上的偏好；它们产生了操作需求。为了维持这些需求，社区需要一致的数据流、用于模型开发和评估的共享基础设施，以及维持这些系统运行的专业人员。
这些经验教训指向了对真正生态系统的需求。没有任何单一模型或单一团队能够覆盖所需的一切。支持这一生态系统意味着投资于数据基础设施、协调机制，以及能够让这些能力在危机之间得以持续的长期稳定性。例如，大流行前的分析可以就旅行限制何时能有效减缓病毒输入，以及哪些指标应触发其放松达成共识。情景建模可以为稀缺的疫苗和抗病毒药物制定分配框架。这种和平时期的工作也限制了被动建模的危害。在危机压力下构建的模型更容易出现错误和仓促的假设。诚然，建模和分析仍然是持续进行的工作，仍有很大的改进空间。但如果没有支持和必要的基础设施，我们将继续对模型提出更多要求，却让它们停留在同样的前沿，使我们在面对现实世界的威胁时毫无准备。
共同责任
然而，将流行病建模和疫情分析确立为一项公共服务，需要建模者、政策制定者和资助者在实践中做出改变（框1）。对于建模社区而言，首要责任是采用服务心态。这种服务心态与传统的学术激励形成对比，后者包括在高影响力期刊上发表论文、以新颖性而非实用性衡量拨款竞争力，以及将成功与个人归属而非协作影响挂钩。现实世界应用中的繁杂约束和不完整数据常常被视为稀释科学严谨性的妥协，而非公共卫生工作的核心挑战。建模社区应超越纯粹的学术心态，专注于公共卫生利益相关者真正需要回答的问题，优先考虑及时性和稳健性而非优雅性，并重视可复现的流程和共享标准，而非个人的方法创新。
另一方面，政府、公共卫生机构和资助方必须创造条件，使这种面向服务的建模方法得以存在并蓬勃发展。这首先要认识到，流行病建模和疫情分析是战略能力5,8。这一承诺超越了核心建模能力。它包括培养人才梯队的培训项目、支持建模的数据系统、协调各机构工作的协作中心，以及不断提升质量标准评估框架。它还应涵盖学术建模人员、政府分析师和公共卫生从业者之间的伙伴关系，使这些能力在数十年间日趋成熟。应激励团队科学和协作基础设施，同时也要保留对小型创新工作的支持，这些工作为更广泛的生态系统注入新方法和新理念。正如我们不会在大流行病到来时从零开始建设疫苗生产能力一样，我们也不应在危机期间临时拼凑建模能力。
灭火，须知风向
遗憾的是，在国际社会中，将流行病建模作为公共服务进行投资仍然是例外而非常态。如前所述，CDC的预测与疫情分析中心等举措以及少数其他努力代表了重要的步骤。然而，当前投资与所需之间仍存在巨大差距。这些努力大多仍被视为有时限的项目，而非长期的公共服务。近来，它们也主要受一种信念驱动，即认为对“酷炫”人工智能的小额投资就能解决分析问题，而非由连贯的长期战略驱动。AI工具可能是疫情分析中有价值的组成部分，但它们无法替代领域专业知识以及将分析转化为行动的公共卫生决策过程。如果我们认同每个国家都应享有为医院、学校、企业和政府等决策提供信息的天气和经济预测服务，那么每个国家也应享有可靠的流行病建模和疫情分析服务。
下一次大流行将考验我们的生物医学工具，以及我们提前数周预判并先发制人的能力。预测、情景和分析不是可选的附加项；它们是现代应对措施的支柱。如果没有作为公共服务的全球疫情分析基础设施，我们将在下一次危机中拥有更好的生物医学工具，但在使用它们时实际上仍然盲目。建设这一基础设施，将把COVID-19的教训转化为持久的东西：一个不会在不了解风向的情况下灭火的世界。
参考文献
Boyce, M. R., Sorrell, E. M. & Standley, C. J. An early analysis of the World Bank’s Pandemic Fund: a new fund for pandemic prevention, preparedness and response. BMJ Glob. Health 8, e011172 (2023).
The Pandemic Fund. Medium-term strategic plan: 2024-2029. https://www.thepandemicfund.org/medium-term-strategic-plan (2024).
Insight Net，由美国疾病控制与预防中心（CDC）的预测与疫情分析中心（CFA）于2023年建立：https://www.cdc.gov/insight-net/php/about/index.html。
欧洲呼吸系统疾病预测中心：https://respicast.ecdc.europa.eu/；世界卫生组织（WHO）大流行与流行病情报中心，https://pandemichub.who.int/。
Kretzschmar, M. 公共卫生疾病建模：附加价值、挑战与制度约束。J. Public Health Policy 41, 39–51 (2020)。
Teerawattananon, Y. 等。重新校准大流行期间为政策制定建模的概念。Epidemics 38, 100552 (2022)。
Marani, M., Katul, G. G., Pan, W. K. & Parolari, A. J. 极端新型流行病的强度和频率。Proc. Natl. Acad. Sci. USA. 118, e2105482118 (2021)。
Lofgren, E. T. 等。数学模型：疫情应对的关键工具。Proc. Natl. Acad. Sci. USA. 111, 18095–18096 (2014)。
Poletto, C., Scarpino, S. V. & Volz E. M. 预测建模在COVID-19疫情早期的应用。Lancet Digit. Health, 2, e498–e499 (2020)。
Imai, N. 等（编）Principles and Practice of Emergency Research Response 第25章 (Springer, 2024)。
Moran, K. R., Lopez, T. & Del Valle, S. Y. 支持决策的大流行建模的未来：从COVID-19中汲取的教训。BMC Glob. Public Health 3, 24 (2025)。
Holmdahl, I. & Buckee, C. 错误但有用——Covid-19流行病学模型能告诉我们什么，不能告诉我们什么。N. Engl. J. Med. 383, 303–305 (2020)。
Mathis, S. M. 等。以新的实验室确诊流感住院为目标评估2021–22和2022–23季节的FluSight流感预测。Nat. Commun. 15, 6289 (2024)。
Cramer, E. Y. 等。美国COVID-19死亡率的个体和集合概率预测评估。Proc. Natl. Acad. Sci. USA. 119, e2113561119 (2022)。
Reich, N. G. et al. Collaborative hubs: making the most of predictive epidemic modeling. Am. J. Public Health 112, 839–842 (2022).
Howerton, E. et al. Evaluation of the US COVID-19 Scenario Modeling Hub for informing pandemic response under uncertainty. Nat. Commun. 14, 7260 (2023).
Consortium of Infectious Disease Modeling Hubs. Coordinating collaborative infectious disease modeling projects with the hubverse. medRxiv https://doi.org/10.1101/2025.10.03.25337284 (2025).
Borchering, R. K. et al. Public health impact of the U.S. Scenario Modeling Hub. Epidemics 44, 100705 (2023).
资助
A.V.、M.A.J. 和 M.M. 感谢 CDC 预测与疫情分析中心通过 CDC-RFA-FT-23-0069 合作协议提供的支持。A.V. 感谢盖茨基金会 INV-094330 的支持。M.M. 感谢美国疾病控制与预防中心（CDC）通过病原体基因组学卓越中心网络（PGCoE）资助 6NU50CK000555-03-01、国防威胁降低局（DTRA）合同 HDTRA120F0017，以及美国国家科学基金会（NSF）通过计算探索资助 CCF-1918656 提供的支持。本研究中的发现和结论仅代表作者本人，不一定代表资助机构、美国国立卫生研究院或美国卫生与公众服务部的官方立场。任何对商标、公司或产品名称的使用仅出于描述目的，并不意味着美国政府的认可。资助方在研究设计、数据收集与分析、发表决定或稿件撰写中均未发挥作用。
作者信息
作者与单位
美国马萨诸塞州波士顿市东北大学健康科学学院与网络科学研究所
Alessandro Vespignani & Michael A. Johansson
意大利都灵科学交流基金会
Alessandro Vespignani
美国北卡罗来纳州教堂山市北卡罗来纳大学吉林斯全球公共卫生学院流行病学系
Justin Lessler
美国北卡罗来纳州教堂山市北卡罗来纳大学教堂山分校卡罗来纳人口中心
Justin Lessler
美国马里兰州巴尔的摩市约翰斯·霍普金斯大学布隆伯格公共卫生学院流行病学系
Justin Lessler
美国弗吉尼亚州夏洛茨维尔市弗吉尼亚大学生物复杂性与计算机科学系
Madhav Marathe
美国马里兰州贝塞斯达市美国国立卫生研究院福格蒂国际中心
Cécile Viboud
作者
- Alessandro Vespignani
- Michael A. Johansson
- Justin Lessler
- Madhav Marathe
- Cécile Viboud
贡献
A.V.、M.A.J.、J.L.、M.M. 和 C.V. 参与了本文的构思与撰写。所有作者均审阅并批准了最终稿件。
通讯作者
通讯请联系 Alessandro Vespignani。
伦理声明
利益冲突
作者声明无利益冲突。
附加信息
出版商注 Springer Nature 对已发布地图中的管辖权主张和机构隶属关系保持中立。
权利与许可
开放获取 本文依据 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License 许可，允许以任何媒介或格式进行任何非商业性使用、共享、分发和复制，只要您适当注明原作者和来源，提供 Creative Commons 许可的链接，并说明您是否修改了许可材料。根据本许可，您无权共享由本文或其部分内容改编而来的材料。本文中的图片或其他第三方材料均包含在本文的 Creative Commons 许可中，除非在材料的署名行中另有说明。如果材料未包含在本文的 Creative Commons 许可中，且您的预期使用未获法定法规许可或超出许可使用范围，则您需要直接向版权持有人获得许可。要查看本许可的副本，请访问 http://creativecommons.org/licenses/by-nc-nd/4.0/。
关于本文
引用本文
Vespignani, A., Johansson, M.A., Lessler, J. et al. Defining epidemic modeling as a public service. Commun. Health 1, 35 (2026). https://doi.org/10.1038/s44528-026-00019-0
收到：2026年3月28日
接受：2026年6月26日
发布：2026年10月7日
记录版本：2026年10月7日
DOI：https://doi.org/10.1038/s44528-026-00019-0
来源：Hacker News · nature.com