密切接觸（close contact）是新冠肺炎（COVID-19）的主要傳播途徑。包括社交距離指南和居家令在內的非藥物干預措施，已被世界各地廣泛用於鼓勵人們進行物理隔離，減少透過密切接觸傳播新冠的風險。
接觸事件（contact events）是新冠傳播的主要行為風險因素，更好地測量接觸事件有助於解釋疾病傳播的歷史模式；有助於決策者更有針對性地採取干預措施和舉辦資訊宣傳活動以鼓勵公眾保持社交距離；有助於指導公共衛生應對措施，如加強病毒檢測和接觸者追蹤，並提供早期預警，以發現和預防新出現的疫情。
保持社交距離示意圖
如何準確衡量個人層面對社交距離指南的遵守程度是非常困難的。目前，一些研究人員提出了人群層面移動指標（mobility metrics），這些指標以移動裝置地理定位資料為基礎，可以作為新冠大流行期間物理距離和移動模式的代理衡量指標。如Couture等人提出一種“裝置暴露指數”，該指數用於測量預先選定的場所（如餐館或零售場所）內裝置的共定位（colocation）情況。Chang等人使用了來自Facebook的共定位矩陣，該矩陣測量了來自不同地理區域的裝置在同一600平方米區域出現5分鐘的機率。Morley等人使用Unacast的“人類相遇”指標，測量兩個裝置距離彼此50米以內且不超過1小時的頻率。
然而，這些移動度指標仍有諸多侷限。例如他們可能無法捕捉到定位相同的不同裝置，不能測量2米內的接觸，也未能考慮到移動裝置固有的空間定位誤差。來自美國耶魯大學、加利福利亞大學等單位的研究者運用移動裝置地理定位資料和一種新機率方法，在人群水平量化了密切接觸（6英尺以內）的總強度，即接觸率（contact rate）。研究者使用該接觸率解釋了2020年2月1日至2021年1月31日美國康涅狄格州的COVID-19發病率模式，併成功預測了新的COVID-19病例的出現。2022年1月7日Science Advances刊登了這項研究成果。
研究成果（圖源：Science Advances）
如圖顯示了2021年2月1日至2021年1月31日期間康涅狄格州各城鎮的接觸率。地圖顯示了各城鎮每日接觸率的每週平均值，地圖中顏色越深表示接觸率越高。每日接觸率如下圖所示。3月份，大約在3月23日全州範圍內的居家命令釋出前一週，全州範圍內的接觸率顯著下降。紐約地區新冠肺炎住院人數和應對措施激增的訊息、公立學校關閉、對可能出現的居家令的預期，或許在命令宣佈之前起到了減少接觸的作用。4月份大部分時間保持在低水平，之後在6月至8月期間，全州的接觸率開始緩慢上升。第一波的感染髮生率可能比第二波高得多，但穩步增加的新冠病毒檢測可獲得性使第二波的病例數更高。
康涅狄格州2020年2月至2021年2月期間移動裝置之間估算的的接觸率
（圖源：Science Advances）
為了將接觸率作為康涅狄格州新冠肺炎負擔的預測因子進行評估，研究者開發了一種基於易感暴露感染消除（susceptible-exposed-infective-removed, SEIR）過程的連續時間確定性室間傳播模型，並預測了康涅狄格州城鎮的新冠肺炎的傳播與新發病例。在考慮了康涅狄格州內傳播的地理差異並估計了COVID-19疾病進展、住院和死亡的特徵後，該模型納入了城鎮層面靈活的時變病例發現率（time-varying case-finding rates），即檢測到的感染比例。利用城鎮人口規模、時變接觸率、估計的初始感染率和時變病例發現率，研究人員將模型與全州資料進行擬合，並對康涅狄格州的169個城鎮進行模型預測。
SEIR模時準確地預測了康涅狄格州城鎮的COVID-19病例，解釋了3月至4月的最初感染浪潮，6月至8月的病例下降，8月至9月的地方暴發，9月至12月的全州範圍內的復甦，以及2021年1月的下降。與其他流動性指標相比，使用接觸率的傳播模型更適合COVID-19的傳播動態。
按人口計算的接觸率、COVID-19病例數以及感染人數、病例數和累計發病率的傳播模型預測 [圖示為布里奇波特、哈特福德紐地區]（圖源：Science Advances）
總之，本項研究解釋新冠肺炎傳播的歷史模式並將接觸率納入SEIR傳播模型，可能會提高對未來新冠肺炎病例的預測準確度。根據移動裝置地理定位資料估計的接觸率可以幫助改善人群層面對密切接觸的監測，指導公共衛生資訊宣傳活動，鼓勵保持社交距離，並有針對性地分配公共衛生預防資源，以發現或預防新出現的地方疫情。
撰文|林立
排版|喬維鈞
End
參考資料：
[1]V. Couture, J. I. Dingel, A. E. Green, J. Handbury, et al. “Measuring movement and social contact with smartphone data: A real-time application to COVID-19” (Technical report, National Bureau of Economic Research, 2020).
[2] Facebook, Data for Good: New Tools to Help Health Researchers Track and Combat COVID-19 (2020).
[3]C. P. Morley, K. B. Anderson, J. Shaw, T. et al. Social distancing metrics and estimates of SARS-CoV-2 transmission rates: Associations between mobile telephone data tracking and R. J. Public Health Manag. Pract. 26, 606–612 (2020).
[4]Crawford, F. W., Jones, S. A., Cartter, M., et al. Impact of close interpersonal contact on COVID-19 incidence: Evidence from 1 year of mobile device data. Science advances. 8(1) (2022).
