新冠疫情开始出现已经过去数年时间了，然而科学家针对它传播规律所进行的探索从来都没有停止过。最近，有一项引入了“突破感染”概念的新的模型，它为剖析复杂的疫情数据提供了更加精确的工具。
传统模型的局限性
疫情才刚一开始的时候，SIR模型可是预测病毒传播的占据主流地位的工具呢。它做出了这样的假定，人群被划分成了易感、感染以及康复这三类，还能够估算出基本再生数。新冠病毒在早期的时候，其基本再生数大约是3.0，这表明每个感染者平均会去传染三个人。
然而，此模型针对疫苗接种所产生的影响未予以考量。在2021年，多国纷纷开启大规模接种行动，仅对三类人群作区分处理的SIR模型，已然不能够精准地呈现现实状况。随后出现的SIRV模型把接种者群体纳入其中，然而它却假定接种者不会再度遭受感染。
SIRVB模型的创新之处
为将上述问题予以解决，美国俄亥俄大学的研究团队于《科学报告》期刊之上提出了SIRVB模型，它是在SIRV模型的基础之上，增添了一个“突破感染者”的类别。
有这样一个类别，它所指的是那些已经完成了疫苗接种的人，可这些人却还是遭到了病毒的感染。针对此情况，模型引入了一个关键的参数，这个参数是“突破率b”，它的作用是用来对这类事件发生的概率进行量化。而这样的一种改进，是更加贴近疫情后期的真实状况的。
模型如何工作与验证
获取全球254个国家新冠病例以及疫苗接种数据的是研究人员，这些数据源自“我们的数据世界”网站，他们运用Excel和MATLAB等工具，借助向前欧拉法展开数值计算，进而得出两个关键指标，那便是实时有效再生数与实时再生数。
对比之后发现，设定突破率b为20%之际，SIRVB模型算出的结果，跟文献里预估的基本再生数极为相符，这证实了该模型于技术方面的合理性，以及对历史数据的解释本事。
突破率的关键影响
对于模型预测结果而言，有之起决定性作用影响的是突破率 b 的值，，研究发现，即便突破率高于百分之三十，其使用该模型依旧也还是适用的，有意思的是是增大突破率的数值情况下，疫情平衡状态时的实时再生数平台它的值反而会下降。
当把突破率设定成100%之际，模型而计算出来的实时再生数跟实时有效再生数趋向于一致 ，这一发觉对理解变异毒株流行的时期，就算接种率高，疫情依旧存在持续传播的现象有帮助。
模型的实际应用价值
一个重要应用属于SIRVB模型的范畴之中的特定情况，是针对群体免疫状态作出判断，借助对各国实时再生数曲线转折点展开分析，能够据此来推断某个国家有没有借助自然感染或者疫苗接种达成了群体免疫门槛，此推断过程得以实现。
诸如，法国出现转折点的时间比全球平均水平更早，这跟其较高的疫苗接种率相契合。模型不仅可以揭示再生数与防控措施之间的关系，像与社交严格指数呈现负相关，这还为评估政策效果给出了量化依据。
对不同国家的差异化分析
研究把254个国家划分成了三组，第一组有87个国家，这些国家大多是发展中国家，其平均免疫人口比例比较低，它的再生数曲线后期的数值很低，部分缘由是检测能力欠缺，从而掩盖了真实的传播情况。
第一组国家，在对检测数据予以校正后，这些国家的曲线形状，变得跟第二组发达国家相像。分析还发现，第一组国家达到群体免疫的平均时间比较短促，然而它们主要依靠自然感染，并非疫苗接种，这造成了更高的健康代价。
按您的看法，当直面未来新出现的传染病之际，此类把疫苗接种以及突破感染一块儿纳入考虑范畴的模型，能不能变成公共卫生决策方面的标准配备工具呢？欢迎于评论区域去分享您的见解，要是觉着本文存有帮助，请给予点赞予以支持。