Nat. Commun. 研究提出传染病建模公平性量化框架

DRUGONE

公平性已成为机器学习和人工智能领域的重要研究议题，但在计算流行病学中仍缺乏系统性的定义和评价方法。传染病模型广泛用于疫情预测、公共卫生干预和医疗资源分配，其预测结果直接影响不同人群的健康风险。然而，传统模型通常更关注整体预测精度，而较少评估模型能否准确反映不同社会经济和人口群体之间的疾病负担差异。

针对这一问题，研究人员基于社会流行病学的基本原则，提出了一套用于量化传染病模型公平性的数学框架。该框架将公平性定义为模型准确再现不同人群之间实际健康不平等程度的能力，并针对有序社会群体、无序社会群体和空间结构化人群建立相应的评价指标。研究人员利用伦敦、纽约和智利圣地亚哥的新冠疫情数据，以及哥伦比亚寨卡病毒疫情数据，验证了该框架在不同疾病、地理环境和建模方法中的适用性。

研究进一步将公平性指标引入疫苗分配策略。在模拟场景中，基于公平性指标的资源分配方案不仅改善了不同群体之间的健康结果，还取得了更高的总体死亡人数降幅。该研究为传染病模型的公平性评估提供了统一方法，也为制定更加公平、有效的公共卫生政策提供了新的量化依据。

传染病计算模型是公共卫生决策的重要工具。特别是在新冠疫情期间，研究人员利用流行病学模型预测疾病传播趋势、评估非药物干预措施，并制定疫苗接种和疫情防控策略。然而，疫情对不同人群的影响并不均等，年龄、收入、职业、居住环境和医疗资源可及性等因素都可能影响感染风险及疾病结局。部分干预措施虽然能够降低总体感染人数，却可能进一步扩大弱势群体与其他人群之间的健康差距。

这一问题反映出传统传染病建模方法的局限。现有模型通常以感染人数、死亡人数或传播趋势的整体拟合程度衡量模型性能，但总体预测准确并不意味着模型能够准确描述不同群体之间的疾病负担分布。例如，即使模型成功预测了一个城市的总死亡人数，也可能低估老年人或社会经济地位较低群体的死亡风险。如果根据这样的模型制定公共卫生政策，资源分配结果可能偏离真实需求。

近年来，机器学习领域已经提出多种算法公平性指标，但这些方法通常面向个体预测任务，难以直接用于以群体传播动力学为核心的传染病模型。此前相关研究主要集中于不同人群之间的疫情预测误差，以及疫苗分配策略中的公平与效率权衡，尚未形成能够跨疾病、跨模型和跨地理环境使用的统一评价框架。

因此，研究人员提出，应将社会流行病学中的健康不平等概念引入计算流行病学，重点考察模型是否准确再现实际疾病负担在不同社会群体之间的分布。研究特别区分了模型公平性与健康公平：前者是衡量模型表现的评价属性，后者则是公共卫生干预希望实现的社会目标。准确识别现实中的健康不平等，是制定公平干预政策的重要前提。

研究方法

研究人员建立了基于社会流行病学不平等指标的传染病模型公平性评价框架。首先，根据人口特征将研究对象划分为有序社会群体、无序社会群体和空间结构化人群。有序群体包括按照年龄、收入或教育水平排列的人群，采用相对集中指数（Relative Concentration Index，RCI）衡量疾病负担沿社会梯度的分布情况；无序群体包括种族和族裔等不存在自然等级顺序的人群，采用Theil指数评价群体间健康负担差异；空间结构化人群则根据地区是否具有明确的社会经济排序，选择相应指标。研究人员分别计算真实流行病学监测数据与模型模拟结果中的不平等程度，并通过两者的差异构建公平性评分，评分越接近1，说明模型对实际健康不平等的再现越准确。在验证过程中，研究采用分舱模型、空间元群体模型和基于个体的仿真模型，分析不同接触模式、感染致死率、人口流动和疾病进展假设对公平性的影响。此外，研究还通过纽约市假设性第二波疫情，比较按照人口比例、死亡风险和Theil指数进行疫苗分配的干预效果。

研究结果

传染病模型公平性的定义与健康不平等

研究人员首先明确了传染病模型公平性的核心含义：一个公平的流行病学模型，应当能够准确反映现实中与特定人口或社会经济特征相关的疾病负担差异，而不是简单地预测不同群体具有相同的健康结果。

这一点与部分传统算法公平性概念存在区别。在传染病传播过程中，不同年龄、职业和社会经济群体可能确实面临不同的感染与死亡风险。如果模型强行假设所有群体具有相同风险，反而可能掩盖真实存在的健康不平等。

研究人员按照人口群体的组织方式提出三类公平性评价指标。对于具有自然排序的群体，利用相对集中指数衡量疾病负担是否集中于某一社会梯度；对于没有自然排序的群体，利用Theil指数比较不同群体的疾病负担分布；对于空间结构化人群，则根据地区之间的社会经济关系选择相应评价方式。

在这一框架下，公平性评价主要关注模型输出与真实数据之间的不平等分布差异，而不只是模型预测的感染或死亡总量。由此，研究人员建立了能够适用于不同流行病学模型的统一评价思路。

有序社会群体中的模型公平性

研究人员首先分析了年龄这一具有明确排序的人口特征，以2020年3月至7月伦敦第一波新冠疫情期间的死亡数据为例，比较不同模型对年龄相关死亡风险差异的再现能力。

真实监测数据显示，新冠死亡率随年龄增长明显上升。75岁及以上人群每千人死亡人数约为8，而儿童群体的死亡率接近零。这表明疾病负担高度集中于老年人群。

研究人员构建了四种模型，分别组合均匀或年龄分层的社会接触模式，以及恒定或年龄相关的感染致死率。虽然这些模型都经过总体死亡数据校准，但对年龄差异的刻画存在明显区别。

当模型同时假设均匀接触和恒定感染致死率时，公平性评分仅为0.577；即使引入年龄分层接触矩阵，如果仍采用恒定致死率，评分也只有0.528。相比之下，引入年龄相关感染致死率后，模型公平性显著提高。其中，结合年龄分层接触和年龄相关致死率的模型评分达到0.923，而采用均匀接触与年龄相关致死率的模型达到0.976。

值得注意的是，更复杂的接触结构并不一定带来更好的公平性。研究人员认为，这可能与模型将非药物干预措施对不同年龄群体的影响简化为统一比例有关，从而高估了部分年轻群体的实际接触水平。

这些结果说明，准确描述与疾病结局密切相关的人口异质性，比单纯增加模型复杂度更重要。

图1｜传染病模型在有序社会群体中的公平性评价及伦敦新冠死亡年龄差异分析。

无序社会群体中的模型公平性

对于种族、族裔等不存在自然等级顺序的人口特征，研究人员采用Theil指数评价模型能否准确反映不同群体之间的健康不平等。

研究以纽约市第一波新冠疫情为例，将人口划分为非西班牙裔白人、西班牙裔或拉丁裔、黑人、亚裔及其他群体，并构建不同感染易感性、社会接触模式和感染致死率假设下的八种流行病学模型。

所有模型均能较好拟合纽约市总体每周死亡人数，但在不同族裔死亡负担分布上的表现存在显著差异。

采用均匀接触和相同感染易感性的基线模型，无法有效捕捉真实的族裔差异，公平性评分为0.714。当模型引入群体间不同的感染易感性时，评分提升至0.901；采用具有群体内部接触偏好的混合模式时，评分进一步达到0.906。

另一方面，研究发现，将根据年龄组成推导的群体特异性感染致死率直接纳入模型，反而可能降低公平性。这说明，单纯根据人口年龄结构调整死亡风险，并不能充分解释真实世界中不同族裔之间的死亡率差异。

研究结果强调，模型对总体疫情变化的良好拟合并不能保证其对各社会群体具有相同的解释能力。采用群体层面的不平等指标，可以识别传统预测误差评价容易忽略的结构性偏差。

图2｜纽约市不同种族和族裔群体中新冠死亡负担的模型公平性比较。

空间结构化传染病模型中的公平性

研究人员进一步分析了空间人口流动对模型公平性的影响，以智利圣地亚哥2020年第一波新冠疫情为主要案例。

圣地亚哥不同社区之间存在明显的社会经济差异。研究利用人类发展指数（HDI）描述社区的社会经济地位，并将实际感染数据与空间传播模型的模拟结果进行比较。

研究发现，社会经济条件较差的社区通常承受更高的感染负担，而人口流动模式是影响这一差异的重要因素。纳入手机数据推断的人口流动信息后，模型能够更准确地再现疫情在不同社区之间的不均衡传播。

当按照HDI对社区进行排序时，纳入人口流动信息的模型公平性评分达到0.97，高于未考虑人口流动模型的0.93。当把各社区视为无序空间单元，并采用Theil指数评价时，两种模型的公平性评分分别为0.79和0.63，差异更加明显。

研究人员还利用哥伦比亚2015—2016年寨卡病毒疫情进行验证。结果同样表明，相比使用合成人口流动网络的模型，整合手机数据推断的实际人口流动信息，能够更好地捕捉疾病在不同地区之间的非均匀分布。

这些结果说明，人口流动数据不仅有助于提高疫情空间传播预测的真实性，也能够改善模型对地区健康不平等的刻画。不过，空间公平性指标的选择仍取决于地区之间是否存在具有实际意义的社会经济排序。

图3｜智利圣地亚哥新冠疫情空间传播模型的公平性及人口流动影响。

多维社会特征下的模型公平性

实际健康不平等往往同时受到年龄、地理位置及社会经济条件等多个因素影响。因此，研究人员进一步将公平性框架扩展至多维人口特征，考察模型能否同时准确再现不同维度上的疾病负担差异。

研究采用基于个体的Covasim模型，对纽约市第一波新冠疫情进行模拟，并比较不同疾病进展假设和社会接触网络结构的影响。

模型分别采用年龄相关或恒定的疾病进展概率，并结合随机接触网络或包含家庭、学校、工作场所和社区的混合接触网络，形成四种模拟方案。

研究人员分别计算年龄维度和纽约各行政区地理维度的公平性评分。结果显示，同时采用年龄相关疾病进展概率和混合接触网络的模型具有最高的综合表现，其年龄公平性评分为0.940，地理公平性评分为0.937。

不过，更复杂的混合接触网络对地理公平性的改善相对有限。年龄相关疾病进展与随机接触网络结合时，地理公平性评分已经达到0.934，与混合网络模型的0.937十分接近。

这表明，不同人口特征对模型公平性的影响并不相同。某些模型结构可能明显改善年龄相关风险的刻画，却未必同步提高对地理差异的解释能力。因此，多维公平性评价有助于发现单一指标无法揭示的群体代表性问题。

图4｜基于个体的传染病模型在年龄与地理位置两个维度上的公平性评价。

利用公平性指标优化疫苗分配策略

在完成模型公平性评价后，研究人员进一步探索这些指标能否用于指导公共卫生资源分配。

研究以纽约市为例，构建了一个假设性第二波疫情场景，假定在2020年7月放宽非药物干预措施后出现新一轮传播，并将可用疫苗剂量设定为总人口的20%。

研究人员比较了按照人口比例、群体死亡率和Theil指数进行疫苗分配的不同策略。采用人口比例分配时，疫苗资源主要依据各群体规模分配，模拟结果显示总体死亡人数减少68.2%。

按照各群体实际死亡风险分配疫苗后，总体死亡人数降幅提高至72.1%，但不同群体的改善程度并不一致。部分少数族裔群体获得更大的死亡风险下降，而白人群体相对于人口比例分配方案的改善程度有所降低。

当研究人员将Theil指数引入资源分配策略后，总体死亡人数降幅进一步提高至73.9%。其中，西班牙裔或拉丁裔群体的死亡人数降幅达到82.5%，其他主要群体的死亡人数降幅也均优于人口比例分配基线。

此外，结合人口规模与Theil指数的混合策略实现了71.6%的总体死亡人数降幅。研究人员进一步改变疫苗覆盖率和模型假设，发现基于Theil指数的分配方式在所测试情景中仍保持较好的总体效果。

这一结果说明，在特定模拟条件下，改善健康公平与降低总体疾病负担并不必然存在冲突。通过识别真实疾病负担的不均衡分布，并据此调整干预资源，可以同时改善总体防控效果和不同群体的健康结局。

需要指出的是，这一实验采用了简化的理想化疫苗假设，没有完整考虑现实中的疫苗接种意愿、物流限制和政策执行成本，因此相关结果仍需在更加真实的公共卫生场景中验证。

图5｜不同疫苗分配策略对纽约市各族裔群体死亡人数的影响。

讨论与结论

本研究将社会流行病学中的健康不平等理论引入传染病计算模型评价，提出了一套能够跨人口群体、地理环境和模型类型使用的公平性评价框架。与传统关注总体预测误差的方法不同，该框架重点衡量模型是否准确再现疾病负担在不同社会群体之间的实际分布。

研究表明，模型复杂度的增加并不必然提高公平性，较好的总体预测表现也不能保证模型充分反映弱势群体的健康风险。通过引入相对集中指数和Theil指数，可以更加系统地识别模型在不同群体上的表现差异。同时，疫苗分配模拟表明，在一定条件下，公平性指标能够帮助制定兼顾健康公平与防控效率的干预方案。

不过，该框架仍存在局限，包括公平性相关社会变量的选择、社会因素与疾病传播机制之间的联系，以及真实疫苗分配中的执行约束等。此外，公平性评分主要用于比较模拟结果和实际数据，并不能单独解释健康不平等形成的因果机制。未来研究需要进一步将社会经济因素纳入传播机制，并探索在模型训练和政策优化过程中直接引入公平性约束。

总体而言，这项研究为传染病模型提供了传统预测准确性之外的重要评价维度，有助于提高计算流行病学研究对群体健康差异的关注，并为更加公平的公共卫生决策提供方法支持。

整理 | DrugOne团队

参考资料

Li, Y., Gozzi, N., Perra, N. et al. Fairness in infectious disease modeling. Nat Commun (2026). 

https://doi.org/10.1038/s41467-026-78981-0

内容为【DrugOne】公众号原创｜转载请注明来源