2024-Human mobility and the infectious disease transmission: a systematic review


人在流动,病就一定传得更远吗?

论文名片|M. Naser Lessani、Zhenlong Li、Fengrui Jing、Shan Qiao、Jiajia Zhang、Bankole Olatosi、Xiaoming Li,Human mobility and the infectious disease transmission: a systematic review,Geo-spatial Information Science,2024,27(6):1824–1851。2023年11月29日在线发表;收稿日期2023年6月30日,接收日期2023年10月20日。DOI:10.1080/10095020.2023.2275619。本文依据该刊正式版解读。这是一篇系统综述,不是新的队列实验,也不是一套可复算的感染模型。

设想一座城市在新发呼吸道疫情的第一周停飞国际航班。车站空了,如果随后新增病例变慢,很容易把两件事连成一句:人少流动,病就慢下来。这篇综述要拆开的,就是这种连法。它检索2000年1月至2022年12月的定量研究,看人类移动性(human mobility,个人或群体在空间和时间上的移动)与选定传染病之间被写成了什么样的关系。这里的移动包括流离、乡城流动、家庭成员变动、国内与国际迁移,也包括非自愿流动。日常通勤和搬家都只是其中的一部分。

作者的总判断是:这种关系在呼吸道传染病上更常被写成明显,在性传播疾病上不那么一致;空间上,连通更高的城市地区被说得更重要,时间上,暴发早期比后期更突出。这个判断来自对既有文献的定性综合。综述没有给出一个跨病种的合并效应量,讨论里也保留了反例:有的流感研究看不出旅行关联,有的埃博拉研究里移动甚至是较差的空间预测因子。

先说结论

  • 两库最初检索到2458篇,去重后为2129篇;最终纳入195篇。病种占比极不均匀:COVID-19占22.6%,HIV占20.4%,二者合计43.0%,与正文所说的大约43%一致。
  • 纳入研究大约80%用统计分析描述相关,近10%用数学模型做预测。相关不是因果,模型输出也不是直接观察到的传播。
  • 反例被综述自己保留:Kramer等认为地理特征比人类移动更能解释埃博拉的空间扩散,移动是较差预测因子;Miller等在夏威夷及美国关联太平洋岛屿的2009年资料中,没有看到旅行与流感传播的关联。
  • 同一张摘录表里的数字经常不是同一种结局。塞拉利昂三天封控期间,超过30公里的行程减少76%,这是行程变化;香港一项研究里老年人每周出行时间从174.72分钟降到76.92分钟,这也是出行变化。它们都不能直接读成感染人数下降了同样的比例。
  • 作者归纳出方法不统一、大数据除COVID-19以外用得少、多源数据很少被真正整合、以及全球尺度研究不足。病种入选还有一道门槛:用本文检索式在Web of Science和PubMed中要能找到10篇以上相关文章。没进综述,不等于没有关联。

195篇是从哪一层筛出来的?

文章遵循PRISMA报告规范,只查Web of Science核心合集和PubMed,语种限于英文。纳入的是2000年1月至2022年12月、经同行评议的原创定量研究,包括队列、横断面和用于预测的模型。文献综述、会议论文和与疫苗接种相关的文章被排除。关键词来自既有研究里的人类移动性和传染病用词及同义表达,因为这两个概念没有一份官方词表。作者还顺着已评论文的参考文献继续查找。

正文给出的主链是:两库2458篇,去掉重复后2129篇。无监督文献分类算法Lbl2Vec依据标题和摘要,筛到262篇;再经人工筛选,留下192篇。为检查漏选,作者从算法没有选中、相似度得分较高的文献里随机阅读500篇的标题和摘要,其中3篇被认为相关并补入。192加3等于195。算法把词向量取平均,用来比较文献与预定关键词是否接近,这一步只服务文献筛选。

完整原论文图1

图 1|195篇是怎样从检索结果里留下来的?

无字母子图。识别阶段从Web of Science和PubMed合计2458篇出发,去重后标为2129篇。筛选阶段先标出应用排除标准后的1763,再标出无监督学习得到的262;全文获取也是262篇,全文阅读后排除70篇,最下方纳入框写195篇。262减70等于192,与正文里人工留下的192篇一致,但比终框少3篇。图注写图中显示192篇、另有3篇补入后合计195,终框却直接印195,补入路径也没有画出来。1763位于2129之后、262之前。图没有写明1763是剩余篇数还是被排除篇数;若把它当成剩余,相对2129少366篇,但原因清单并不在图中。因此不能把195理解成262减70的直接结果。来源:原论文 Fig. 1。

进入综述的病还有第二道门槛。Jing等列出的传染病超过27种,本文只保留用上述检索式能找到10篇以上、并且明确讨论移动与传播关系的病种。最后留下八类:寨卡、登革、疟疾、埃博拉、HIV、流感、肝炎和COVID-19。表1至表6是按病种摘录的例子,不是195篇的完整数据表,许多行也没有给出原研究的样本量。

写得最多的是哪些病、哪些地区?

完整原论文图2

图 2|195篇文献把注意力放在哪些病、哪些地区?

(a)内圈标注Selected papers。红为COVID-19,22.6%;蓝为HIV,20.4%;绿为疟疾,16.7%;紫为埃博拉,10.8%;黄为登革,9.7%;青为寨卡,7.5%;棕为流感,7%;橄榄色为肝炎,5.4%。八项相加为100.1%,是扇区四舍五入后的结果。22.6%与20.4%相加为43.0%,对应正文所说大约43%的论文集中在COVID-19和HIV;其余六类相加为57.1%,对应正文的其余57%。(b)内圈标注Regions。红为非洲,27.4%;蓝为亚洲,23.1%;紫为北美,17.7%;绿为欧洲,15.1%;黄为南美,11.8%;青为其他,4.8%。六项相加为99.9%。两张图的分母都是入选的195篇,图上印的是百分比。22.6%乘以195不是整数,不能把扇区反推成精确篇数。来源:原论文 Fig. 2。

这个分布本身就是证据边界。呼吸道疾病里,COVID-19占22.6%,流感占7%。饼图说明文章数量集中在COVID-19,流感研究的篇数占比并不高。非洲和亚洲合计过半,但后文又写:疟疾负担最高的非洲和亚洲,相关研究反而少,非洲研究还大量依赖调查。地区占比高,不等于当地疾病负担被同等密度地测量过。

世界地图上的箭头,是起源还是示意?

在进入分病种摘录之前,作者放了一张七种疾病的全球箭头图,并事先说明:图展示的是疫情经由人类移动扩散的情形,不必然标出病毒起源;部分疾病的起始地点仍有争议,缺少坚实证据。肝炎没有画进去,因为近几十年没有被作者视为图中那种暴发。

完整原论文图3

图 3|这张世界地图证明了疾病从哪里出发吗?

无字母子图。灰底世界地图上,图例给出七种病和年份:黑点疟疾1880年,浅蓝HIV 1981年,褐红流感H1N1 2009年,青绿登革2014年,粉红寨卡2015–2016年,红埃博拉2014–2016年,蓝COVID-19 2019年。彩色箭头把不同地区的圆点连起来,圆点本身没有逐一标注城市名。它是依据Cox(2010)、De Cock等(2012)和Patel等(2010)绘制的示意,不是这195篇研究新测到的路径,也不能把箭头方向当成已经核实的起源或病例数。来源:原论文 Fig. 3。

媒介传染病里,流动研究到底在比较什么?

媒介传染病(vector-borne disease)要经过媒介生物才到人身上。综述正文写,疟疾不会在人与人之间直接传染,流动仍然被研究,因为人的移动会改变病原进入新地区的机会。寨卡、登革和疟疾是这一类里纳入文章超过10篇的三种。图4把三者的媒介生活史画在一起,用来说明它们依赖媒介。那张图没有测量移动使风险上升了多少,阶段编号也没有给出效应量。

完整原论文图4

图 4|这张生活史图能量出流动和发病的关系吗?

无字母子图,顶栏从左到右标为疟疾、寨卡、登革。三列都是媒介与人的循环示意,用来说明这三种病不是单纯的人与人直接接触传播。它不是195篇论文的结果图,没有样本量、对照和效应量,也不能支持“流动增加了多少感染”。来源:原论文 Fig. 4。

分病种摘录把证据分成好几层。有的研究测的是知识和行为:Guo等用多变量逻辑回归看美国孕妇对寨卡的了解,综述表中写大约14%取消了旅行,但表内没有给出受访者人数。有的研究给出的是模型估计:Quam和Wilder-Smith用数学模型估计,2014–2015这第一个年份里,从巴西输出到其他国家的寨卡病例为584至1786例。这是模型给出的区间,不是这篇综述重新清点的出境病例登记。有的研究比较的是预测是否变好:Perrotta等在哥伦比亚用移动数据预测2015–2016年寨卡,表中结论是手机数据可以提高预测准确性,没有给出提升了多少个百分点。

登革摘录同样混着不同结局。部分研究把手机数据中的人类移动描述为空间扩散的关键因素,或报告加入移动和季节后,社区尺度的预测表现提高。Tsuzuki等在越南用逻辑回归讨论乡城迁移与城市登革风险。这些句子支持的是,在该研究的数据和模型里移动项有用,不是一条适用于文中所述约141个已有登革分布国家的共同效应。综述另外引用外部估计:Bhatt等(2013)报告每年超过3.9亿例登革感染,亚洲承担实际负担的70%以上;Brady等(2012)报告全球近39亿人处于风险中。这些数字不是195篇移动研究的合并结果。

疟疾部分把流动放到持续性上。表1中的例子包括:Das等的模型讨论,若坦桑尼亚大陆限制旅行者,桑给巴尔的疟疾会停止,这是模型情景,不是已经观察到的消除;Chen等在中缅边境的随机模拟认为,高比例流动人口面临更高暴露;Arisco等在巴西北部用卡方和回归分析,把人类移动写成当地及与委内瑞拉、圭亚那之间疟疾扩散的首要因素。同一张表里,方法从简单统计、抽样调查到随机模拟都有。非洲研究多用调查,其他地区还会用手机和GPS记录器。调查样本小、远程地区更难到达,是作者后来单列的数据限制。

图5解释的是另一件事:2015年、疟疾仍被视为地方性流行的国家里,次国家级行政区之间的国内迁移估计长什么样。它不是病例地图。

完整原论文图5

图 5|疟疾流行国的国内迁移估计,能当成传播量吗?

无字母子图,三幅并排,标题分别为非洲、亚洲、加勒比和拉丁美洲。线是WorldPop估计的国内迁移流,颜色从低到高,图例只标Lowest和Highest,没有读出具体人数。橙框放大了南部非洲、东南亚和加勒比局部。分析单位是次国家级行政区之间的估计流量,不是这条综述新追踪的个人行程,也不能把暖色线条读成疟疾病例数。来源:原论文 Fig. 5,数据为WorldPop。

行程少了76%,感染也少了76%吗?

埃博拉摘录最适合把结局拆开。Peak等回顾分析塞拉利昂的手机记录:实施了为期3天的封控,若行程长于30公里,封控期间行程减少76%。分母条件是长于30公里的行程,不是全部居民,也不是确诊人数。表中没有重述封控前的行程基数,所以76%只能作为该研究摘要里的相对降幅。

同一节的其他证据等级不同。Poletto等的数值模拟认为,旅行禁令只在有限时期内推迟了西非埃博拉的扩散,表中没有给出推迟的天数。Kramer等用广义引力模型看几内亚、利比里亚和塞拉利昂,结论是地理特征强烈影响扩散,而移动在空间扩散模型里是较差的预测因子。Valdez等在利比里亚的随机和确定性模型把县际旅行者写成传播原因,这是模型中的机制设定,不是对每个旅行者的直接观察。几条结果可以同时成立:短时封控能改变长途行程,模型也可以把旅行者写成扩散条件,而另一套空间模型里移动的预测力不强。它们回答的不是同一个问题。

流动人群的风险,只有“从高风险区带出”这一种吗?

HIV部分提出文献中的三种情形:人从高风险地区到低风险地区,人从低风险地区到高风险地区,以及两端都是高风险地区。这是对既有研究的归类,不是一项新测得的传播概率。摘录还显示关联方向并不稳定。Coffee等在津巴布韦的多变量逻辑回归里,乡城迁移与艾滋病感染风险的关联没有得到确认,该研究区域内更值得注意的是乡到乡的迁移。Camlin等2017年在肯尼亚的逻辑回归中,流动性与HIV患病率的关联不显著。Mantell等在中国的娱乐场所工人中,没有发现迁移者的性风险行为高于本地人。

也有研究写出组间差异。Norris等在坦桑尼亚的多变量泊松回归里,迁移者HIV患病率为9%,非迁移者为6%。表中没有样本量和置信区间,9%和6%不能换算成多出多少人,也不能当成这篇综述的合并患病率。Ramesh等写印度男男性行为者中26%处于流动状态,并报告流动与HIV病例明显相关;26%的分母是该研究中的这一人群,综述表同样没有给出人数。HIV研究主要在非洲和亚洲,方法以各类回归和调查为主,使用手机位置或社交媒体地理信息做预测的较少。

肝炎文献更集中在欧洲和澳大利亚,表5里很多行测的是旅行者是否了解风险、是否寻求建议、是否接种,而不是发病率。例如表中把Pedersini等与Zuckerman和Hoet放在同一行,写大约51%前往风险地区且未寻求健康建议、大约15%接种疫苗,却没有把两个百分比拆回各自样本。Frew等的摘录写大约60%没有针对肝炎免疫、24%了解病毒传播。这些百分比说明旅行者预防行为的研究很多,不能读成“旅行者中60%被感染”。

呼吸道疾病被说得更强,强在哪一层?

摘要写,人类移动与传染病扩散的关联很强,呼吸道疾病尤其是COVID-19和流感更强。讨论则写,移动是COVID-19扩散的重要因素,而在HIV和流感中影响看起来不那么显著,并举出Miller等:2009年夏威夷及美国关联太平洋岛屿尽管旅行很多,旅行与流感传播没有关联。两处并不矛盾到互相取消,但也不能合成一个数字。流感摘录内部也不整齐。Foxwell等的回顾性队列把2009年国际航班视为流感扩散的关键因素;Marsh等的多变量逻辑回归把2018年新南威尔士的海外和本地旅行视为疫情早期驱动因素;Eum和Yoo的时间分层病例交叉分析把移动减少与流感样症状联系起来,女性和社会经济条件较高者更明显。Miller等是同一主题下的阴性结果。综述没有把这些研究收成一个共同的比值比。

COVID-19占入选文献的22.6%,也是大数据用得最多的病种。这里同样要分开结局。Choe等用多层线性回归看香港老年人:每周出行时间从174.72分钟降到76.92分钟,表6四舍五入为174到76分钟。下降的是这一组老年人的出行时长,分母是每人每周的分钟数,不是感染率。Paul等在孟加拉国的序数逻辑回归写,公共交通减少之后,封控期间仍有大约9%的人乘坐公交;9%的调查分母没有出现在表中。Brough等报告低收入者的移动下降比例更小。多篇研究还把较低社会经济地位、较低教育程度和移民群体的持续外出,与不均匀的COVID-19发生放在一起讨论。综述把这种联系写成可能,因为流动只是未被单独分离干净的因素之一。

引言里的另一条边界也属于证据等级:移动限制主要在疫情早期、还没有有效疫苗或药物时显示出作用;COVID-19期间它放慢了传播速度,但并不足以完全停住扩散。讨论引用Lau等,称武汉早期封控明显减慢了初期扩散,本文没有给出该减慢的百分比。预测研究在COVID-19部分很多,包括统计预测、数学模型、网络模型和神经网络。它们的角色是在可获得移动数据时预报风险区域。综述没有给出可复算的模型参数,拟合也不是对传播机制的直接证明。

大约80%的文章在做哪一种比较?

讨论把入选文章的方法收成两类可点名的比例。大约80%使用统计分析,从描述到简单或复杂回归,用来看移动与疾病的关系,以及社交限制是否伴随变化。作者明确写,这类分析通常给出数据中的模式和相关,经常不足以确定因果关系,尤其当多个因素同时起作用、数据又没有全部测到时。近10%建立数学模型来预测扩散。大约80%与近10%都是约数,论文没有再给其余研究一个单一的方法比例。

数学模型依赖假设。综述点名的问题包括:研究期间病例均匀分布、整个研究区病例平均分布,以及实验中使用常数参数。计算复杂和数据不足,使模型难以纳入全部相关因素。多数研究也没有为缺失数据准备稳妥处理;缺失可能来自不回答、测量误差或收集困难,不处理就会偏向估计。多变量分析需要相对大的数据,不少纳入研究却在小样本上使用它。因此,“模型预测了扩散”只说明在这些假设和这份数据上得到了输出。

数据来源把尺度限制说得更具体。除COVID-19外,只有相对较小比例的文献用手机、GPS或社交媒体这类大数据。没有任何一篇入选文章用区域或全球调查数据检验移动与传染病的关联,作者认为大规模调查成本过高。社交媒体被较多用于COVID-19、Twitter、Facebook和微博上的移动,却没有被广泛用于疟疾、埃博拉、寨卡、HIV和流感。手机和GPS能在一定边界内扩大样本,同时带来隐私、跨境难以捕获、无证件迁移者较少出现,以及参与者忘记携带记录器等偏差。样本量变大之后,这些偏差仍然留在数据里。

作者最后把尺度、时间和病种放回同一句综合:移动的重要性在城市高于乡村,在连通性高的地区高于连通性低的地区,在暴发初期高于后期,在呼吸道传染病上高于性传播疾病。这句话是综述的阅读结论。正文没有一张表,把195篇的效应量按城市乡村、初期后期和病种做同口径比较。它可以被当作待检验的归纳,不能被当作已经完成的分层元分析。

这些判断能用到哪一步?

综述自己的限制决定了能外推多远。只搜两个数据库,其他期刊进入数据库可能滞后数月。无监督初筛可能漏掉相关论文,作者只用500篇高相似度未选文献做了抽查。在审稿件和会议论文被排除,疾病分布又偏斜:大约43%集中于COVID-19和HIV。检索停在2022年12月,英文和定量研究之外的证据进不来。疫苗相关文章被排除,所以这篇综述不能评价接种如何改变移动与感染的关系。

更实质的边界是结局不一致。行程下降、旅行取消、疫苗接种比例、模型输出的病例区间、患病率的组间差,被放在同一主题下。只有在分母和对照说清楚时,数字才描述一种比较。76%对应的是长于30公里的行程在三天封控中的降幅;174.72分钟到76.92分钟对应的是香港老年人每周出行时间;584至1786例对应的是一个输出模型的区间;9%对6%对应的是一项坦桑尼亚研究里的患病率,且这篇综述没有附上样本大小。把它们平均成“移动使疾病增加或减少某个百分数”,超出了材料本身。

一句话总结

人在流动和传染病扩散经常被放在一起研究,但这195篇文献支持的是一条有条件、有反例、而且大多停在相关或模型预测上的证据链,不是“人一动,病就一定传得更远”。

核心来源

  • Geo-spatial Information Science正式版:M. Naser Lessani、Zhenlong Li、Fengrui Jing、Shan Qiao、Jiajia Zhang、Bankole Olatosi、Xiaoming Li,2024,27(6):1824–1851。2023年11月29日在线发表。正文图1至图5、表1至表6及筛选数字均据此核对。
  • 资助说明见论文末尾:美国国立过敏与传染病研究所项目3R01AI127203-04S1,以及美国国家科学基金会项目2028791。论文写明内容不代表资助机构观点。

作者介绍

以下身份和研究方向只采用论文末尾的作者简介,不补充论文以外的履历。

  • M. Naser Lessani:南卡罗来纳大学地理系博士生,隶属于地理信息与大数据研究实验室及该校大数据健康科学中心。本科毕业于喀布尔理工学院,硕士毕业于中南大学。论文所列兴趣为地理空间大数据、人类移动性、并行空间计算和地理信息系统。
  • Zhenlong Li:通讯作者,南卡罗来纳大学地理系副教授,地理信息科学与地理空间大数据中心主任。2015年在乔治梅森大学获得地球系统与地理信息科学博士。研究方向为地理信息科学、地理空间大数据、空间计算,以及面向灾害、人类移动性和公共卫生的GeoAI。
  • Fengrui Jing:南卡罗来纳大学地理系博士后;作者简介写他即将就任暨南大学公共卫生与预防医学系助理教授。2021年在中山大学获得地图学与地理信息系统博士。兴趣为空间统计、空间数据科学、空间流行病学和环境健康。
  • Shan Qiao:南卡罗来纳大学阿诺德公共卫生学院健康促进、教育与行为系副教授。2012年在约翰斯霍普金斯大学布隆伯格公共卫生学院获得国际卫生博士。论文所列主业为HIV预防、治疗和照护,关注心理健康、行为改变、健康差异和实施科学。
  • Jiajia Zhang:南卡罗来纳大学流行病学与生物统计系教授。教学和研究兴趣是用生存分析考察疾病死亡或发病与潜在风险因素的关联。
  • Bankole Olatosi:南卡罗来纳大学卫生服务政策与管理系助理教授。论文所列方向为健康分析、HIV/AIDS和COVID-19。
  • Xiaoming Li:南卡罗来纳大学健康促进、教育与行为系教授,临床与转化研究SmartState讲席,并担任医疗质量中心和大数据健康科学中心主任。1992年在明尼苏达大学获得心理学博士。作者简介强调其在HIV/AIDS的社会与心理方面、健康差异、干预试验设计和生物统计方法上的长期工作。

延伸思考

以下是 AI 基于论文结果所作的延伸,不属于原论文结论。

如果一个城市同时拿出两份材料,一份是疫情第一周手机行程的下降,另一份是旅行者里有多少人没有寻求健康建议,两份材料不能排进同一个“流动导致传播”的名次。前一份回答的是移动本身变了没有,后一份回答的是预防行为;只有再连上同一时期、同一人群的发病或感染指标,并说明对照是封控前、非旅行者还是另一座城市,才进入这篇综述认为多数文章尚未走到的因果比较。

文献构成也会改变读者的印象。COVID-19和HIV合计占195篇的43.0%,流感只有7%。一个人读完综述后觉得呼吸道疾病的证据特别强,可能一部分来自COVID-19研究的数量,而不只来自流感研究的一致性。Miller等的阴性结果已经说明,流感内部并不是每份旅行数据都指向同一方向。下一步更有信息量的比较,是事先规定同一种移动口径,例如跨境旅行、长于30公里的行程,或每周出行分钟数,然后在一种呼吸道疾病和一种媒介传染病上分别报告样本量和无效结果。那将直接检验作者关于病种差异的归纳,而不是再增加一张只含箭头的示意图。


文章作者: 猴猴猴
版权声明: 本博客所有文章除特別声明外,均采用 CC BY 4.0 许可协议。转载请注明来源 猴猴猴 !
  目录