论传染病暴发的可预测性

传染病暴发是生物学过程的重演：它们源于宿主、病原体及其共同环境之间的多层级相互作用。因此，预测疾病何时、何地及传播多远需要采用复杂系统方法进行建模。近期研究表明，预测暴发的不同组成部分——例如预期病例数、需要治疗的病例的节奏与速度、预防性设备需求、输入概率等——是可行的。因此，推进疾病预测的科学研究和实践现在需要检验暴发预测是否存在基本极限。为了研究暴发预测这一问题，我们使用排列熵作为与模型无关的可预测性度量，研究了广泛传染病集合的预测信息论极限。通过研究多种历史暴发（包括衣原体病、登革热、淋病、甲型肝炎、流感、麻疹、腮腺炎、脊髓灰质炎和百日咳）的可预测性，我们识别出传染病时间序列预测的基本熵屏障。然而，我们发现对于大多数疾病而言，这一预测屏障通常远超单次暴发的时间尺度。我们还发现预测视野因疾病而异，并证明模型结构的转变与社会网络的异质性是导致不同传染病间观察到差异的最可能机制。我们的结果强调了通过拥抱动态建模方法超越时间序列预测的重要性，并指出了在长序列上进行模型选择所面临的挑战。我们进一步预期，我们的发现将有助于快速发展的流行病预测领域，并可能与复杂自适应系统的可预测性存在更广泛的关联。