以移动性驱动的合成接触矩阵：用于实时大流行响应建模的可扩展解决方案

为什么日常出行在大流行中至关重要

当一种新的呼吸道病毒开始传播时，最大的未知数之一是不同年龄段的人实际有多频繁发生密切接触。那些在学校、工作、家庭或公共交通上的日常接触决定了疾病在群体中传播的速度。然而，在人们因规定或恐惧而改变行为时，实时测量这些模式极其困难。本研究提出了一个简单但关键的问题：我们能否使用常规收集的移动性和行为数据，而不是大规模的重复调查，来足够快速地追踪这些变化的接触，以指导大流行决策？

将移动数据转化为社会接触

研究者聚焦于 COVID-19 的头两年法国情形，这一时期伴随封锁、停课、宵禁以及新变种和疫苗到来。他们的核心工具是“接触矩阵”——一张记录一个年龄组与另一个年龄组每日接触次数的表。在疫情前，这类矩阵通常来自志愿者在详细问卷中列出的接触记录。疫情期间，团队改为每周生成“合成”矩阵：以疫情前的模式为起点，然后基于实时指标收缩或扩大特定类型的接触，这些指标包括谷歌工作场所移动性、学校出勤与假期日历，以及人们自报避免肢体接触的调查。

将合成接触与现实调查比较

为检验这些合成矩阵是否可信，作者将其与法国的 SocialCov 调查的七轮数据进行比较，后者在疫情不同阶段直接询问人们的接触情况。总体上，两种方法都显示了相似的总体趋势：在第一次封锁期间，接触降至疫情前水平的大约四分之一，然后随着限制放松逐渐回升，到 2022 年中期仍未完全恢复正常。但也存在关键差异。调查构建的矩阵在第一次封锁后报告的接触数量几乎是合成矩阵的两倍，这一差距主要由儿童和青少年推动。在学校开放期间，调查显示 19 岁以下人群的接触是合成估算的三到四倍，而成人和老年人的接触数在两种方法之间则更为接近。

将两种方法放入疾病模型

真正的检验不仅是计数接触，而是看每种数据源能多好地重现实际疫情进程。团队将三种不同的接触假设输入同一个法国 COVID-19 传播模型：每周合成矩阵、基于调查的稀疏矩阵（在调查波次之间通过假设进行时间拉伸）和一张固定的疫情前矩阵。随后他们在疫情的连续阶段中调整一个全局“修正因子”，以捕捉矩阵中未直接反映的影响，如佩戴口罩或季节性因素。三种模型均能跟随住院曲线的总体走势，但合成矩阵模型在误差最小和统计拟合最好方面表现最佳，尤其在部分停课或逐步解除宵禁等过渡时期。

模型揭示的年龄特异性风险

更细致地看不同年龄组时，合成矩阵为青少年、成年人和老年人提供了最现实的图景。使用这些输入，模型预测的住院人数和血液检测估算的既往感染率与这些年龄段的观测数据高度吻合。相比之下，基于调查的矩阵倾向于高估儿童和青少年的感染，可能因为它们计入了对传播影响较小的接触，例如在学校的戴口罩或短暂接触。合成矩阵则低估了低龄儿童的感染，表明两种方法在捕捉对传播最关键的儿童接触方面仍存在困难。重要的是，作者发现单靠全局重缩放无法修正接触结构的不匹配：不同年龄之间的混合方式比单纯的接触总量更为关键。

对未来大流行响应的启示

对非专业读者而言，主要结论是：有可能在足够快的时间尺度上追踪变化的接触模式，以支持实时决策，而无需持续开展耗时的大规模调查。通过谨慎结合移动性数据、简单的行为指标以及对接触发生场所（家庭、学校、工作、休闲）的知识，公共卫生团队可以构建每周合成接触矩阵，这些矩阵灵活、可扩展且成本低廉。在本研究中，这些矩阵在解释谁何时住院方面，优于传统的调查矩阵和静态的疫情前模式。作者得出结论：应投资于常规的按年龄分层的移动性与行为数据，以及能快速将这些数据转化为接触矩阵的系统，这将成为未来更灵活、更有效应对流行病的重要组成部分。

引用: Di Domenico, L., Bosetti, P., Sabbatini, C.E. et al. Mobility-driven synthetic contact matrices as a scalable solution for real-time pandemic response modeling. Nat Commun 17, 1845 (2026). https://doi.org/10.1038/s41467-026-68557-3

关键词: 大流行建模, 社会接触, 移动性数据, 法国 COVID-19, 按年龄划分的传播