英国伦敦政治经济学院与荷兰国家公共卫生与环境研究所研究人员近日开发出一种新型网络分析框架，通过分析接触者追踪数据中的传播链结构，可在疫情早期准确识别超级传播事件，且所需数据量远少于现有方法。相关成果已发表于《传染病杂志》。

新冠疫情暴露了全球传染病防控体系的诸多短板，其中早期超级传播事件的识别与干预尤为关键。超级传播事件是指单一感染者将病原体传播给大量其他人的情形，在多种传染病——包括新冠病毒、麻疹和埃博拉——的早期传播中均发挥了决定性作用。及时识别这类事件可帮助公共卫生部门将有限资源集中用于最高风险人群，有效遏制疫情扩散。然而，现有方法通常需要大量病例数据才能产生可靠预测，在疫情初期数据匮乏时往往效果有限。

研究团队提出的方法以接触者追踪数据为基础。接触者追踪是公共卫生的核心工具，其产生的数据天然包含疾病传播网络的结构信息。研究团队将这些数据转化为传播链网络，并利用网络科学中的"过度离散"指标来量化传播异质性——即不同感染者之间传播能力的差异程度。过度离散程度越高，意味着大多数感染者只传染少数人，而少数超级传播者则导致大规模传播。

在方法验证环节，研究团队将其应用于新冠疫情早期（2019年12月至2020年2月）来自中国、新加坡和韩国的真实接触者追踪数据集，并与西班牙基于系统发育分析结果进行对比，同时在模拟疫情数据上对多种统计模型开展了系统性基准测试。

结果显示，仅需约30至50个病例，研究团队的方法便可开始产生可靠的过度离散估计值，准确率高于现有标准方法。在新冠疫情真实数据集上，该方法成功复现了文献记录的超级传播模式，分析结果与系统发育方法所得结论高度一致。

研究团队还特别关注了数据质量问题。接触者追踪数据往往存在漏报——并非所有传播链都能被完整记录。研究结果显示，该方法对适度漏报具有较强鲁棒性，且可通过校正公式加以调整。

论文第一作者、伦敦政治经济学院博士候选人Katy Gaythorpe表示，这项工作为公共卫生官员提供了一个早期预警工具，可帮助他们在掌握足够信息前便识别出疫情是否可能以超级传播驱动的方式蔓延，从而为接触者追踪和隔离资源的分配提供更明智的决策依据。

论文通讯作者、荷兰国家公共卫生与环境研究所Jacco Wallinga教授指出，这一方法的价值在于它充分利用了接触者追踪本已收集的数据，无需额外的监测基础设施，且计算过程相对简便，适合在资源受限的环境中部署。

研究团队表示，下一步将探索将这一框架扩展至其他传染病，并与实时接触者追踪系统整合，以实现对超级传播风险的动态实时监测。

参考文献：Matthew R. Hoch et al, Quantitative Susceptibility Mapping Shows Size-dependent Focused Ultrasound–mediated Therapeutic Delivery to Naive Brain and Gliomas in Mice, Radiology (2026). DOI: 10.1148/radiol.251005

编辑：王洪

排版：李丽