導語
新型冠狀病毒感染的肺炎疫情在持續擴散，新聞各類報道的撲面而來顯然已經造成了讀者的信息過載。本文嘗試對信息與行為這一跨學科領域進行分析，並就此問題進行總結與展望。
隨著近期冠狀病毒的蔓延，各類信息如潮水般湧來，而過多資訊則會讓讀者感到信息過載（information overload）。過載的信息中大多帶有情緒指向，會讓我們感到同情疲勞。相信你經過連續多天的疫情信息轟炸，已經進入了信息過載階段。
但關於疾病傳播，信息與行為之間的關係，還有很多研究值得深入探索。疾病與行為的相關研究，稱為疾病-行為動力學（disease–behavior dynamics），是一個涉及到社會科學、複雜網絡、行為科學、傳染病學、健康心理學的交叉研究領域。本文將概述相關領域的多篇論文，並以此展望論文背後還存在哪些值得探索的問題。
1.社交媒體如何影響疫情：信息傳播和疾病傳播的關係
在當前眾多預測患病人數的模型中，大多沒有考慮到社交網絡上瘋傳的防控信息會對疾病傳播有何影響。而這導致的結果是，預測模型考慮的都是在不採取干預措施前提下的疾病傳播動力學。這既會導致對真實患病人數的不準確估計，也無法對疾病管控措施提供指導——最應該才去實施的是什麼措施。
圖1：疾病傳播與行為之間相互作用示意圖
2015 年一篇名為《Coupled disease–behavior dynamics on complex networks：A review》的綜述，指出了疾病動力學與人類行為動力學之間的反饋迴路。如上圖所示，疾病的發展，會影響人們對疾病風險的認識，而人的行為通過社交壓力和社會連接的調整，又影響著疾病的傳播。疾病傳播和人類行為，兩者由此相互影響。
在對社交行為建模時，最簡單的是基於規則的建模方法（rule-based modeling），例如設定隨著時間的推移或人們對疾病的進一步認識，疾病的傳播速率會變低。更復雜的模型是由Hagerstrand在1967年提出平均信息域（mean information field），該模型考慮了人的行為在傳播過程中，是否採取某個行為，取決於周圍的人採取該行為的比例是否達到閥值。其他的建模方法包括基於主體的建模（agent based modeling），網格網絡（lattice network）。
對“疾病-行為動力學”領域更具體的建模參考：
論文題目：
Coupled disease–behavior dynamics on complex networks：A review
論文地址：
https://www.sciencedirect.com/science/article/pii/S1571064515001372
論文題目：
Coupling infectious disease, human preventive behaviour, and networks - A conceptual framework for epidemic modeling
論文地址：
https://www.sciencedirect.com/science/article/abs/pii/S0277953611006551
2.疾病信息也有“過猶不及”：過量信息會妨礙疫情控制
加深對疾病的認識，能夠避免疾病在網絡中的進一步傳播，這是[3-7]的文獻所得出的共同結論。但還有一個反直覺的發現是，對疾病的認識水平，存在“過猶不及”的現象。
在2020年初的一項新研究中[1]，作者將對疾病的認識分為全局性的和地區性的，在模擬預測中發現：對於本身傳播能力中等的疾病，提高大眾對疾病的認知，能夠降低最終感染者的比例。但同時該文還指出，並不是隨著對疾病的認識提高，感染者比例就會隨之下降，而是存在一個最優的疾病認識水平，此時的感染者比例最低。在基於谷歌流感搜索量真實數據的論文[2]中，也有類似的研究結論。
對疾病的進一步認識，還能夠減少疾病流行的時間，在[8]中，針對三種不同的網絡結構（隨機網絡Ge，小世界網絡Gw，無標度網絡Gs），基於SIR模型，研究了疾病傳染率與大眾對疾病的認知程度之間的關係。
圖 2：不同網絡結構下，感染者比例隨時間的變化[8]
如圖 2 所示，研究者在不同的網絡結構的模擬數據中，對比了對疾病進一步認知後，疾病傳染率隨時間變化的程度。可以發現，加深大眾對疾病的認知，雖然使得感染率的峰值到達得更晚（傳播時間更久），但感染率峰值會顯著降低。基於這項研究結論可以推出，隨著對疾病的認識，患病人數增長的峰值，雖然會來得更晚一些，但由於前期傳播率的降低，會導致總的患病人數的降低。
3.在疾病傳播模型中引入潛伏期因素
考慮到一些病毒存在較長的潛伏期，且輕症病患缺少明顯症狀，只使用傳統的SIR模型，會難以考慮到潛伏病患以及輕症患者帶來的疾病傳播。研究者[9]提出了 SAUIS 模型，引入了兩個新的狀態 U 和 A 。其中 U 代表無明顯臨床症狀，有傳染性的患者，A代表該患者是否知道自己患病。
圖 3：考慮病毒潛伏期的疾病傳播SAUIS模型[9]
如上圖所示，在 SAUIS模型下，還可以探討疾病變異後，造成的傳播率beta有所不同時，對疾病的傳播密度的影響。
圖 4：疾病診斷和無明顯症狀患者比例與疾病最終傳播密度的關係示意圖[9]
這項研究展示了不同的病患的診斷比例（圖 4 左）和病患中無明顯症狀的比例（圖 4 右）所帶來的影響。研究者發現，對無典型症狀疾病的診斷比例越高，疾病密度（圖中縱軸）越低，而無明顯病患的比例越高，疾病的密度越高，且差異較大。圖中的橫軸指
疾病傳播率（variability measure）越大，疾病的傳播密度越大。該模擬研究還發現，在估計對當前患病人數時，需要考慮無明顯症狀患者的比例，以得出更準確的估計。在另一個相關的研究[10]中，研究者提出了 UAU-SEIS 模型，在多元網絡（multiplex network）上，考察了無典型症狀患者對疾病傳播動力學的影響。
4.降低疾病傳播的措施很多，如何評估影響大小
相比2003前的 SARS 疫情，當前的交通吞吐量和線路交叉密集程度，有了顯著提升。那麼通過切斷遠距離客運交通，能在多大程度上，避免疾病的進一步傳播？這是論文[11]研究的問題。
圖 5：疾病傳播網絡示意圖[11]
研究者提出了考慮節點異質性的網絡模型，圖中節點間連接邊的粗細代表出行到達所需的時間不同。
而通過模擬可以得出，針對不同傳播率的疾病，各自存在著一個臨界點，當小於這個臨界點之後，相變（phase transition）會使疾病從傳播狀態迅速變為停止狀態。
圖 6：SIR模型中康復人群的比例與切斷交通的程度間的關係示意圖[11]
圖中的藍色和紅色代表兩種不同的疾病傳播率（藍色較大），該研究帶來的啟示是切斷遠程交通，確實是有效果的，且有限度的控制就足夠了。
針對陌生的疾病，摸著石頭過河是符合實事求是精神的，也就是採取隨機化的實驗，去嘗試哪種方法相對更好。論文[12]探討了如何設計並評估通過隨機化實驗，降低疾病傳播性的方法。該文指出，直接觀察隨機實驗產生的直接影響，無法對干預方案的效果（降低疾病傳播率）進行客觀的評價。
5.總結與展望
疾病的傳播帶來的信息流，在某些情況下，會對疾病的傳播提供負反饋，從而降低疾病傳播的效率；而在某些情況下，由於恐慌和群體思維，會導致無明顯症狀的患者的長距離遷徙，從而帶來疾病傳播的正反饋，在一段時間內加劇疾病的爆發。
這正是為何在世界衛生組織的新聞發佈會上，相關專家指出：封城對控制疾病的傳播有多大作用，是相對複雜的，值得考量的，目前難以進行評估。
本文概述的模型並不完全，希望讀者能提供更多的相關文獻，以幫助相關研究者，更好地對當前的疾病傳播進行建模，對控制措施的影響和可行性進行建模。歡迎留言分享。
參考文獻：
[1] Li, M., Wang, M., Xue, S. and Ma, J. The influence of awareness on epidemic spreading on random networks. Volume 486, 7 February 2020, 110090.
[2] Wang, W., Liu, Q., Cai, S., Tang, M., Braunstein, L. and Stanley, H. Suppressing disease spreading by using information diffusion on multiplex networks. 2016, Scientific Reports volume 6, Article number: 29259.
[3] Franco Bagnoli, Pietro Liò, and Luca Sguanci. Risk perception in epidemic modeling. 2007, Phys. Rev. E 76, 061904 .
[4] Ferguson， N. Capturing human behaviour. 2007, Nature 446，733-733.
[5] Kitchovitch， S.， Lió， P.， 2010. Risk perception and disease spread on social networks. 292 Procedia Computer Science 1， 2345-2354.
[6] Hiroshi Nishiura. Time variations in the transmissibility of pandemic influenza in 308 Prussia, Germany, from 1918-19. Theoretical Biology and Medical Modelling 4， 1-9.
[7] Meloni, S., Perra, N., Arenas, A., Gómez, S., Moreno, Y. and Vespignani, A. , 2011. Modeling human mobility responses to the large-scale spreading of infectious diseases. Scientific Reports 1， 62.
[8] Azizi, A., Montalvo, C., Espinoza, B., Kang, Y. and Castillo-Chavez, C. Epidemics on networks: Reducing disease transmission using health emergency declarations and peer communication.,Volume 5, 2020, Pages 12-22.
[9] Zhang, H., Xie, J., Chen, H., Liu, C. and Small,. Impact of asymptomatic infection on coupled disease-behavior dynamics in complex networks. 2016. EPL (Europhysics Letters), Volume 114, Number 3.
[10] Shi, T., Long, T., Pan, Y., Zhang, W., Dong, C. and Yin, Q. Effects of asymptomatic infection on the dynamical interplay between behavior and disease transmission in multiplex networks. Volume 536, 15 December 2019, 121030.
[11] Perez, I., Trunfio, P., La Rocca, C. and Braunstein, L. Controlling distant contacts to reduce disease spreading on disordered complex networks. 2019. arXiv.org.
[12] Daniel J. Eck, Olga Morozova, Forrest W. Crawford. Randomization for the direct effect of an infectious disease intervention in a clustered study population. 2018.
審校：劉培源
閱讀更多 集智俱樂部 的文章
