疫情最大的拐点，正跟随春天向我们走来

　　整整一个春节假期，被COVID-19洗劫了。回头去数，我们窝在自己那一亩三分地里的日子已经超过20天。

　　在这20多天里，大家拒绝串门，真正期待的来访客人只有一个，它的名字叫“拐点”，全名“疫情拐点”。

　　钟南山院士在11日的一次远程视频谈论会议中说：从目前来看，疫情拐点还无法预测。不过，但峰值应该在二月中下旬出现。疫情拐点由返程高峰的防控情况决定。

　　他同时表示，没有任何人可以作出一个严格的拐点预测。

　　为什么拐点这么难以预测？预测拐点会遇到哪些困难？且让我们一起看一看。

　　一、预测数据的采样

　　预测需要数据支持，数据越详实，预测模型越贴近现实，预测结果就越准确。

　　越精确越贴近现实的预测，需要越大的样本量支持，模型也越复杂。

　　比如在流感数据预测中效果不错的机器学习法，其数据来源于几年乃至几十年的高质量样本，其预测结果才能相对令人满意。

　　这次的新冠肺炎，是一个爆发中的全新的传染病疫情，它的现实状况是这样的：

　　1、信息提供的时间窗太短，仅短短的几十天；

　　2、公开数据的种类很少，几乎只有病例数可用。精确到每天的人群迁徙量、发热门诊量、呼吸疾病就诊量都很难得到；

　　3、对构建数学模型而言，至关重要的患者何时感染、何时开始具有传染性等，都很难精确到“天”以下，所有病例数的时间序列都只有每天一个点，总共也就三四十个点。

　　真正去采集数据样本，我们就会发现，可供使用的数据太贫瘠了。这样的情况采用机器学习法，显然不适合。这就好比我们只有几个香蕉，而眼前是一个猴群，怎么喂饱它们？

　　拿着这样的数据，我们只能退而求其次，求助于对数据要求不那么高的，基于人群区组的SEIR模型了。

　　二、SEIR预测

　　SEIR模型相对简单，它假设：

　　1、R0（基本再生数）从头到尾不变；

　　2、每个感染者和每个易感者接触的概率完全相等（显然这是不可能的）；

　　3、不考虑超级传播者的存在；

　　4、不考虑漏诊。

　　结合现实情况，这个模型面临的问题不少：

　　1、新冠病毒潜伏期也能传染。全国各地确诊人数无法客观反应实际患病人数；

　　2、我国的疫情防控是随着疫情情况与地区而采取不同措施，导致湖北以外的省市人与人之间的接触频率与湖北地区有所不同，发现感染者的效率也与武汉乃至湖北有所差异。这些都对R0的取值有影响；

　　3、1人导致4000人隔离的超级传播者已经出现；

　　4、全国有14亿人！一个重庆小区里的确诊患者传染他邻居的概率，显然与传染遥远的新疆喀纳斯白哈巴村里的图瓦人的概率大不相同。

　　于是，问题来了，如果希望数据预测尽量贴近现实，我们需要对各省市数据进行加权。我国采取的减少外出、延长休假等措施，还有超级传播者，以及不同人之间传播概率不同，又该如何在模型中反映？

　　我们来到了传染病数学建模的关键一步，也是最考验一个人知识功底的环节：定参数设计模型。

　　三、是不是接地气的高级数学家，得拉出来溜溜

　　定参数设计模型，是一个主观能动性的过程。相对于1就是1，2就是2的冰冷数据的客观，如何设置模型参数，如何调整模型结构，是一个思考的主观。

　　对于像流感、埃博拉这样反复出现的传染病，起码建模时还有经验可循，到新冠肺炎没有经验可以套用，它的流行病学特征独特，潜伏期长，潜伏期也会传染，传播力超强…

　　如何构建模型结构，是个问题。

　　就此次疫情的数学建模，便只有仰仗于建模者的知识层次，建模经验和他的谨慎态度了。

　　事实上，目前网络上流传的几个预测相差悬殊，原因很大程度上就是这个自由裁量的环节出现了分歧。

　　只有根据真实状况调整模型的结构与假设，尊重不确定性得出的模型才具有一定的参考价值。

　　通过判断模型的假设和参数是否合理，并与事实对照，才能进行预测结果的采信与拒绝。

　　当时间向前，疫情消散，回头检验，不排除会在这些参与预测的数学爱好者中出现高级数学家的身影。但现在，我们只能且行且看。

　　做传染病流行病学的建模，有一句公认的名言：你永远不可能知道你是不是对的。

　　现实情况不断变化，而且有些变化甚至还可能是由于你的模型结果公之于众导致的。时间拉得越长，发生变化的可能性就越高，你的预测还能说对的可能性就会越来越低。

　　目前看来，通过预测，我们看不到拐点，千呼万唤出不来的拐点，其实不在预测中，而是在我们每个人的自律里，在前线医护人员的拼搏中。

　　这个国家全民一致的不懈努力，就是这次疫情的最大拐点。它已经到来，跟着春天一起。