Rt<1啦,上海疫情流行趋势分析

流行病学

新冠

使用EpiEstima包对上海3月份以来新冠疫情进行分析，Rt已降至1附近，降至1以下疫情。

作者

Shalom

发布日期

2022年4月19日

上海新冠疫情可视化面板

基本再生数\(R_0\)是指在一个完全易感人群中，没有任何干预措施的情况下，一个被传染病病原体感染的个体所能引起的第二代感染病例数，常用于衡量病原体自身的传播力。(《流行病学专家解读 | 传染病的有效再生数与基本再生数》, 不详)

时变再生数\(R_t\)可以理解为真实世界(往往有干预措施，人群不是完全易感)情形下，t时刻的再生数, 受干预措施，感染者及易感者比例等因素影响，随时间变化而变化。隔离等干预措施的目标在于将\(R_t\)降低至1以下，\(R_t<1\)意味着新增病例数将逐渐减少，疫情得到控制。

使用R语言EpiEstim包估计\(R_t\)(Thompson 等 2019)，需要假设系列间隔(serial interval)的分布,本文中假设系列间隔均值为4天，标准差为2天(《新型冠状病毒Omicron变异株的流行病学特征及其科学防控建议》, 不详)。使用EpiEstim包默认的1周滑动窗进行分析。结果如下：

代码

library(tidyverse)
library(EpiEstim)
library(patchwork)
## load data
case.asym.wider.sh<-read.csv('https://raw.githubusercontent.com/shalom-lab/covid.sh/main/local/share/case.asym.wider.sh.csv')

# observation
cases<-case.asym.wider.sh %>%
  select(date,pos) %>%
  mutate(date=as.Date(date)) %>%
  rename(I=pos,dates=date)

t_start <- seq(2, nrow(cases)-13)   
t_end <- t_start + 13                 
## make config
config <- make_config(
  mean_si = 4,
  std_si = 2,
  t_start = t_start,
  t_end = t_end
)


## estimate
res <- estimate_R(
  incid = cases,
  method = "parametric_si",
  config = config
)

#plot(res)

res.r<-res$R %>% as_tibble() %>%
  rename(mean=`Mean(R)`,std=`Std(R)`,lbd=`Quantile.0.025(R)`,ubd=`Quantile.0.975(R)`) %>%
  mutate(date=cases$dates[res$R$t_end])

res.si <- as_tibble(list(time=as.integer(str_sub(names(res$si_distr),2)),
                         frequency=as.vector(res$si_distr)))

p1<-ggplot(data = cases,aes(x=dates,y=I))+
  geom_col(fill= "#AD002AFF")+
  scale_x_date(date_breaks = "2 days",date_labels = "%m/%d",expand = c(0,0.5))+
  labs(x="",y="每日新增阳性数",title="Epidemic curve")+
  theme_bw()+
  theme(axis.text.x = element_text(angle=45,vjust=0.5,hjust = 0.5))

p2<-ggplot(data = res.r,aes(x=date,y=mean))+
  geom_ribbon(aes(ymin=lbd,ymax=ubd),fill= "#AD002AFF",alpha=0.2)+
  geom_line(size=1,colour= "#AD002AFF")+
  geom_hline(yintercept = 1,size=1,lty=2)+
  scale_x_date(date_breaks = "2 days",date_labels = "%m/%d",expand = c(0,0.5),limits = c(as.Date('2022-03-09'),Sys.Date()-1))+
  labs(x="",y="时变再生数Rt",title='')+
  theme_bw()+
  theme(axis.text.x = element_text(angle=45,vjust=0.5,hjust = 0.5))

p3<-ggplot(data = res.si,aes(x=time,y=frequency))+
  geom_line()+
  labs(x="Time",y="Frequency",title='Assumptive Serial Interval Distribution')+
  theme_bw()

p1+p2+plot_layout(ncol = 1)
p3

结果显示目前时变再生数Rt已降至1以下，Rt持续处于1以下将表示疫情得到有效控制,希望继续保持，期待早日解封~

参考

Thompson, R. N., J. E. Stockwin, R. D. van Gaalen, J. A. Polonsky, Z. N. Kamvar, P. A. Demarsh, E. Dahlqwist, 等. 2019. 《Improved Inference of Time-Varying Reproduction Numbers During Infectious Disease Outbreaks》. Epidemics 29 (十二月): 100356. https://doi.org/10.1016/j.epidem.2019.100356.

《新型冠状病毒Omicron变异株的流行病学特征及其科学防控建议》. 不详. http://mp.weixin.qq.com/s?__biz=MzI3MjQ5MzA3OA==&mid=2247486469&idx=1&sn=fe5803f10783d70cb7d36e005c6ac271&chksm=eb30f37cdc477a6a17d10b395091d9f17655be689afaf8f5410b76d2c9ac6448bf8341d1a122#rd.

《流行病学专家解读 | 传染病的有效再生数与基本再生数》. 不详. http://mp.weixin.qq.com/s?__biz=MzA3MTU3NjgyOA==&mid=2666558936&idx=1&sn=896a3fb31f8428bd7abff65cc5fa995a&chksm=842fa84bb358215dda9df49734eff153c0e4bdce5810c404ae8afc01c1db0a590fafc190dcd4#rd.