1704438049
然而，军队的环境向来易于传播疾病。士兵们彼此接触密切，在军营里常共享食物和床上用品，几乎没有私人空间。另外，士兵们还常常进行高负荷的体能训练——这会使他们的免疫系统暂时衰竭——而社会规范认为军人即使生病了也得坚守岗位。于是，传染病就有无数的机会在士兵中传播，传播速度通常会非常快。
1704438050
1704438051
随后对迪克斯堡爆发的流感研究显示，疾病的快速传播是由环境因素引起的，与疾病本身的危害程度没有直接关系。迪克斯堡完全不同于任何美国社区或工作场所。事实上，根本不必担心 A/新泽西/76流感，其 R0值仅为1.2，它与一般季节性流感的情况相类似。在军营外，或者在除了类似军营环境的大学宿舍、监狱之外，流感并没有那么严重。这种流感基本上在迪克斯堡已经消失了，不会传给新的个体。
1704438052
1704438053
A/新泽西/76流感的传播以彻底失败告终，就像旧金山 HIV 或梅毒的悖论，或是20世纪80年代的芝加哥麻疹疫情爆发，都证明那些做出的假设过于简单的模型存在局限性。当然，我并非存心暗示你应该永远倾向复杂的模型，不该用那些简单的模型。正如本书前几章所讲，复杂的模型也会使人误入歧途。因为复杂的模型常常提供更明确（却未必更准确）的答案，这些答案会导致预测者过于相信自己，误以为自己可以预测得更准确，可实际上并非如此。
1704438054
1704438055
然而，简单化仍可算作一个模型的优点，但一个模型至少应该简单得高明些。SIR 这类模型尽管有助于了解疾病，但对于预测疾病的过程或许就无能为力了。
1704438056
1704438057
所有的预测都失败了
1704438058
1704438059
模型越复杂，就越能大幅提高预测的准确性，能证明这一点的例子相当少，气象预报便是其中之一。气象学家花费数十年的时间，创建了一个符合自然规律的物理模拟系统，有了这个系统，进行气象预测时，这些气象学家就能比单纯使用统计方法表现得更好。
1704438060
1704438061
现在，有越来越多的团队正试图用相似的方法预测疾病，他们采用的技术就是广为人知的“基于 Agent 建模方法”。我拜访了匹兹堡大学的一些研究人员，他们的研究一直处在这类技术开发的前沿。匹兹堡大学的团队将他们的模型命名为 FRED（即 framework for the reconstruction of epidemic dynamics 的首字母缩写，指传染病动态重构框架）。这个名字也是为了向电视节目《罗杰斯先生的邻居》的节目主持人、匹兹堡人佛莱德·罗杰斯致敬。
1704438062
1704438063
和芝加哥一样，匹兹堡也是一个社区之城。匹兹堡的研究人员一说到疾病，就会想到居民区，所以 FERD 模型本质上就是一个模拟的匹兹堡城——一项十分细致的模拟，每个人都用一个“仿真人”来代表，这个“仿真人”拥有自己的家庭、社交网络和居住空间，拥有一套和他的社会经济地位相匹配的一系列信仰和行为。
1704438064
1704438065
约翰·格雷芬斯特博士是匹兹堡团队中众多科学家中的一位，他的人生的大部分岁月都生活在匹兹堡，讲话时还带着当地独特的口音。格雷芬斯特博士向我解释 FERD 是如何组织起来的：“这个模型里有学校、工作场所和医院，它们都被放置在正确的地理位置上。这个模型的设置相当复杂，研究团队安排儿童都去上学，却不一定是就近入学——有的学校面积小，有的学校则面积非常大。因此，你会了解到这种合成的模拟城市人口数量。”
1704438066
1704438067
格雷芬斯特博士和他和蔼可亲的同事尚恩·布朗博士向我展示了 FRED 模拟的结果，在模拟的匹兹堡市、模拟的华盛顿城或是模拟的费城中，用颜色标注的疾病浪潮正从一个区域泛滥到另一片区域。但是，FRED 也是一项严肃的工作，这些模型也没有优于真实城市的虚拟处理方法：一个城镇、一座城市乃至一个州的每个人都用“仿真人”来代表。一些基于 Agent 建模方法甚至尝试着模拟整个国家，甚至整个世界。同气象预报模型一样，这需要进行大量的计算，因此需要借用超级计算机。
1704438068
1704438069
这些模型还需要借助大量的数据。模型需要准确的人口统计资料，通过人口普查就可以获得相当准确的相关资料。另外，这些模型还需要解释人类行为，而这项任务则要难以预料得多。例如，一位26岁的拉蒂纳（意大利地名）单亲妈妈接种疫苗的可能性到底有多大？你可以设计一份调查问卷来询问她——基于 Agent 建模方法都十分依赖调查问卷的数据。但是在被问到健康选择时，受访者常会撒谎（或是记不清自己的选择）：比如，受访者宣称的洗手次数比实际次数要多，避孕套的实际使用情况也是如此。
1704438070
1704438071
格雷芬斯特博士告诉我，有一条原则相当深入人心，那就是人们接受并参与那些有些麻烦但有益健康的做法的意愿，与他们对患病风险的感知紧密相关。我们模拟的匹兹堡人只有在她认为这次 H1N1流感十分严重时，才会去接种疫苗；若她觉得流感的情况不严重，她是不会去接种疫苗的。可是，如果她的邻居或是她的孩子生病了，她对流感的感知会发生怎样的变化？如果当地的新闻中充斥着流感的报道，她的反应又会怎样？因此，基于 Agent 建模方法与疾病预测中自我实现和自我否定的特性息息相关，因为它们是动态变化的，同时也允许这些仿真个体的行为随时间变化，在处理这些问题时，这些模型用起来也许更加得心应手。
1704438072
1704438073
另外，可以看看多姆博士和他在芝加哥大学的团队，他们正在建立基于 Agent 的模型，用来研究一种名为 MRSA（即耐药葡萄球菌）的危险病毒的传播，这种病毒会使普通的创伤，如切伤、刮伤、擦伤等演变为威胁生命，甚至无法治愈的传染病。MRSA 病毒的结构十分复杂，有很多传播途径：可以通过拥抱这类非常随意的接触传播，可以通过暴露的伤口传播，也可以通过汗液或血液这样的体液接触传播。有时这种病毒还会停留在很多物体的表面，如案台或毛巾。另外，运动员的更衣室也是孕育 MRSA 病毒的温床，在那里运动员常共用运动器材；已经报道的 MRSA 疫情有很多病例就发生在橄榄球队中，从美国高中橄榄球队到美国职业橄榄球联盟都有发生。但许多携带 MRSA 病毒的人并没有发病，也没有表现出任何病症，这便使情况变得更加复杂。
1704438074
1704438075
在为 MRSA 病毒建模时，多姆和他的同事必须问自己一些问题，比方说：哪一类人被割伤后会用邦迪创可贴？不同的文化背景下，拥抱行为是否普遍存在？一个社区中有多少人坐过牢（监狱中潜藏着葡萄状病毒）？
1704438076
1704438077
对于这类问题，传统模型根本无法解答，而基于 Agent 建模至少使做出较为准确预测成为可能。但是，匹兹堡和芝加哥团队需要考虑的变量数量大、范围广——当你竭力对整个人群中每个人的行为进行模拟时，必然会是这样的情形。这两个团队的工作常常要借用认知心理学、行为经济学、人种学乃至人类学的知识：基于 Agent 建模用于研究 HIV 在社区中的传播，而这些社区就如同巴布亚新几内亚的丛林般各具特色，又如同阿姆斯特丹的同性恋酒吧一样风格迥异。要了解这些社区，需要对当地的习俗和环境等知识了如指掌。
1704438078
1704438079
因此，基于 Agent 建模对研究者的要求颇高，奋斗在这一领域的团队通常都是多学科交互的全明星队，团队成员都是各自研究领域的精英。但由于缺少数据，这些精英常常劳而无功。“就连 H1N1病毒，我们都很难收集到有关何人、何时、何地患病的具体地理数据。”格雷芬斯特哀叹，“可想而知，要想获得过去爆发的所有疾病的数据有多困难。”
1704438080
1704438081
与匹兹堡和芝加哥这两个团队进行交流时，他们的话有时会让我想到一些关于中国的故事，这些故事你和我都读过，讲的是中国某些购物中心极尽装饰的情况——罗马圆柱、室内过山车，威尼斯运河，无一不有——但购物中心却没有店铺营业，也没有人逛。芝加哥和匹兹堡的团队都已经得出了一些十分有用且可行的结论——例如，匹兹堡大学的格雷芬斯特博士想到，过于草率、频繁地让学校停课（以防止疾病传染），有可能会事与愿违；而芝加哥大学的团队猜测到，芝加哥内城的 MRSA 病例数量不正常，这个问题是由进出库克县监狱的人群引起的。但是，这些模型模拟的情况至少都在几年之后才有可能出现，他们正翘首期盼着眼下那些根本不存在的数据。
1704438082
1704438083
基于 Agent 建模——不像气象预报的模型可以依据每日的数据进行修正——也很难检验。重大疫情只是偶尔来袭。即使这些模型是对的，但由于成功的疾病预测存在自我否定的特性，这些模型也有可能会成为自身成功的受害者。假设该模型暗示某项特殊的干预措施——如让学校停课——可能会十分有效，而这项干预措施也确实奏效了，现实中该疾病的传播速度就会降低。但回头想想，这样的结果可能会使该模型之前的预测看似过于悲观了。
1704438084
1704438085
因此，匹兹堡和芝加哥团队一直在犹豫是否将他们的模型应用到具体的预测中。其他团队在2009年 H1N1流感爆发前则没有这么谨慎，其中一些团队发布的相关预测十分糟糕，严重地低估了 H1N1病毒的传播范围。
1704438086
1704438087
目前，这些团队的活动大多局限于多姆的同事奇普·马卡尔所说的“为见解建模”。也就是说，基于 Agent 建模可以帮助我们进行了解传染病的实验，但目前这些模型还不能帮助我们预测疾病的爆发。
1704438088
1704438089
预测是为了让损失最小化
1704438090
1704438091
美国最近两次流感恐慌证明了，天花乱坠的宣传是不可靠的。1976年，只有迪克斯堡爆发了甲型 H1N1疫情，其他地区基本没有疫情；当时的美国总统福特推行的“全民接种疫苗计划”纯属过激反应。2009年，相当数量的人感染了 H1N1流感病毒，但是病亡的病例却很少。这两个例子说明，美国政府关于疫情严重程度的预测实在有些离谱。
1704438092
1704438093
但谁都不能保证，下一次流感疫情爆发时，会不会出现同样的预测错误。虽然人类逐渐适应禽流感，但禽流感病毒 H5N1仍会使数千万人丧生。若一种流感病毒的传播速度和2009年 H1N1病毒的传播速度一样快，致死率又和1918年西班牙流感的致死率一样高，就会使140万名美国人丧生。还有其他一些威胁来自非流感病毒，如传染性非典型肺炎（SARS）病毒，甚至来自天花，虽然早在1977年全球就已经消灭了天花，但这种疾病极有可能被恐怖分子制成生化武器，再次引入社会，谋杀数百万人。根据定义，最严重的流行病传播的速度极快：2009年，H1N1病毒只用了大约一周时间就从医学界毫无察觉的病毒发展成一种让数百万人丧生的病毒。
1704438094
1704438095
我为本章写作所采访的那些流行病专家强烈地意识到自身所用模型的局限性，这一点和其他领域的专家形成鲜明对比。哈佛大学的马克·利普思奇告诉我：“依据3个数据点作预测是很愚蠢的。”利普思奇所说的“3个点”是指1918年、1957年和1968年3次流感的爆发，“我们能做的就是为病情发展的不同状况作好准备”。
1704438096
1704438097
如果你无法做出准确预测，却假装自己可以确保预测准确，这样做通常会贻害无穷。我猜想流行病专家和医学界的其他专家深知这一点，因为他们必须遵从希波克拉底誓言：最重要的是，不能伤害别人。
1704438098
[
上一页 ]
[ :1.704438049e+09 ]
[
下一页 ]