利用神经网络通过疫苗接种策略优化大流行应对

更聪明的疫苗接种计划为什么重要

大流行迫使政府在保护公众健康的同时维持社会与经济运行。本文展示了现代数据工具如何帮助设计更智能的疫苗接种方案，这些方案不仅能挽救生命，还能降低总体成本。以澳大利亚维多利亚州的 COVID-19 为案例，作者将疾病建模、经济学与神经网络结合起来，寻找比简单规则或临时决策更有效的接种时间表。

将疫情分解为清晰的构件

研究首先描述了病毒如何在人群中传播。作者不仅仅划分健康、患病、康复或死亡，还采用了更丰富的八类分组，包括已接种者、已感染但尚未出现症状者，以及轻症、住院或重症监护的患者。这种分层视角使他们能将重症病例数量与病床、重症监护使用情况和死亡联系起来。他们还允许人群在这些状态之间流动的速度出现随机波动，以反映真实疫情的不确定性和随时间变化的条件。

将健康与金钱合并为一把衡量尺

接着，作者在该健康模型之上构建了经济视角。他们合计了政府在大流行期间面临的四类成本：购买和配送疫苗、支付隔离支持、运行医疗系统，以及因无法工作导致的产出损失。在他们的框架中，主要的政策杠杆是随时间变化的接种率。通过改变疫苗接种速度，政府可以减少医院使用和死亡，但需要在前期为推广支付更多费用。模型将这些因素汇总成单一的总支出度量，以便在同一标准下比较不同的接种方案。

教会神经网络寻找更优策略

由于模型包含许多状态和随机冲击，标准数学工具变得过慢或不够精确。为了解决这一点，作者转向神经网络，一种机器学习方法。首先，他们使用物理信息神经网络来调整疾病模型，使其模拟路径与维多利亚州的真实 COVID-19 数据相匹配。这一步锁定了人们在健康状态间流动的速度以及系统表现出的随机噪声强度。然后，训练第二个深度网络作为决策者：在每个时间点它提出一个接种率，模型模拟随之发生的结果，网络据此调整选择以降低健康与经济成本的总额。

案例研究揭示的时机与影响

将该框架应用于维多利亚州的 COVID-19 数据，作者比较了四种情景：不接种、恒定接种率、政府实际的接种推进以及数据驱动的最优方案。表现最好的策略是在早期实施非常高的接种率，随后随着感染下降逐步放缓。与不接种相比，这一方法使住院床日减少超过85%、死亡减少超过80%、总成本降低约22%。它也优于现实中的推进方案，在住院使用、死亡和总体支出方面进一步减少了几个百分点。结果表明，通过在早期大幅推进疫苗接种来抢占先机，尽管前期支出更高，但后期可以换来更少的重症病例和更小的经济损失。

该工具包如何支持未来决策

作者认为，超越 COVID-19，该框架可以用新数据更新并用于其他非灾难性流行病，例如流感样疫情。决策者可以调整成本假设、引入本地数据，并探索不同接种路径如何影响健康与预算。尽管伦理问题与公平考虑仍需另行关注，但核心信息很简单：通过将详细的疾病模型与经济思维和神经网络相结合，政府可以设计出既更有效又更高效的疫苗接种方案。

引用: Zhai, C., Chen, P., Jin, Z. et al. Optimising pandemic response through vaccination strategies using neural networks. Sci Rep 16, 14815 (2026). https://doi.org/10.1038/s41598-026-45396-2

关键词: 大流行建模, 疫苗接种策略, 神经网络, 经济流行病学, COVID-19 政策