中興大學 生物系統工程研究室 陳加忠

作者：Chandrika Kapagunta和Avishek Majumder ，2017 年 9 月 16 日

傳染病繼續對人類和動物構成重大威脅。嚴格的疾病控制政策和疫苗的進步並沒有根除它們。因此僅僅在 2015 年，10 種最致命的疾病就造成了 3000 萬人死亡。在這些疾病中，下呼吸道感染、腹瀉、肺結核和愛滋病毒等傳染病是罪魁禍首（WHO, 2017）。新出現的傳染病現在對人類提出了更大的挑戰。其中包括 SARS、MERS、HIV或AIDS、Ebola和Zika等（Heesterbeek等, 2015）。傳染病造成的這種持續威脅，使全世界的流行病學研究重新努力。 

因此，研究人員和公共衛生官員必須研究影響人群或地區疾病模式的廣泛因素。他們必須了解這些因素之間存在的關係並做出預測。因此，他們使用統計和數學模型。用可以幫助他們了解疾病發生的模式。本文探討統計或數學模型在傳染病控制中的作用和優勢。

傳染病研究中統計建模的必要性

模型是複雜現象的簡化版本。在這種情況下，它與疾病事件或流行病或大流行有關（Vynnycky & White, 2010 ）。這些模型可以通過研究不同的相互作用來幫助更好地理解系統。它們有助於推導外部和內部因素對系統的影響。流行病學模型可以定義為以數學表示疾病傳播及其相關過程的流行病學（Dubé等, 2007）。傳染病需要密切監測疾病的傳播。此外，人口參數、感染率、死亡率和風險因素也需要監測。可以使用監測和生物監測方法收集有關疾病流行病學的數據。這些取決於研究的目的。因此，生物監測模型是指某種抽象的計算、演算法、統計或數學表示。它們產生與事件檢測和風險相關的資訊輸出。這些模型是根據過去的數據設計。

 流行病學中數學模型和統計模型的區別

生物監視模型可以有不同類型的。這些是（Corley 等, 2014 ）：

  1.主動或預期（檢測或預測事件）

  2.風險評估或  描述性解釋（了解疾病動態或驅動因素）。

數學模型和統計模型之間存在相當大的差異。數學模型定量研究疾病流行的潛在動態。相反的，統計模型“將不同變數之間的關係形式化”。這些關係包括兩 個或更多變數之間的因果關係、影響疾病傳播的變數，和假設的檢驗 (Chubb & Jacobsen, 2010)。

流行病學研究中統計分析的優勢

在流行病學研究中使用建模技術的主要優點是 (Chubb & Jacobsen, 2010)：

首先，統計建模有助於在早期發現疾病爆發。因此，它們成功地貢獻了為控制策略。此外可以評估人口風險和導致風險的因素。因此可以將特定地區的疾病流行率降到最低。它有助於預測疾病在人群和地理區域之間的傳播。此外還可以預測自然界中的媒介傳播疾病。

隨機模型有助於評估特定事件或疾病控制策略的多種可能結果。空間建模可以幫助預測空間目標策略對疾病傳播的影響。此外模擬模型可以幫助在電腦預測疫病。它們有助於了解影響傳播的因素。還可以確定疾病流行的最可能結果。 

最後，預測模型可以幫助預測疾病發生率。因此可以估計它們在社區和區域內的流行率。

流行病學數據中考慮的變數類型

流行病學數據通常由不同類型的變數組成

這些在數據分析中都很重要。已經確定了 7 類主要變數。這種分類基於它們所代表的屬性。以表一討論了這些變數以及示例。

流行病學研究中的變數和例子如下。（資料來源：Dicker、Coronado、Koo 和 Parrish, 2006 ；Ressing、Blettner和 Klug, 2010 ） 

流行病學研究中的統計分析類型

流行病學中進行了兩大類分析。它們取決於研究目標（Fos, 2010）：

一.描述性流行病學

二.分析性流行病學

描述性流行病學涉及研究人群中疾病的數量和分佈。這是根據以下變數確定的：個人（人口變數），地點（居住的國家或州或城市或農村地區）和時間變數（疾病狀況的長期或短期趨勢）。

來自描述性分析的資訊可以說明疾病的整體或特定影響。因此，可以確定疾病的可能原因。此外，關於趨勢和可能因果因素的背景知識，將導致發展假設。在之後，可以使用分析流行病學進行測試。在這種情況下，通過假設檢驗來研究疾病結果與風險因素之間可能的關係（Szklo & Nieto, 2014）。因此為了有效地對特定疾病數據建模，選擇統計模型。選擇取決於數據類型、變數和研究目的。 

下表顯示了兩種流行病學研究之間的主要差異。

描述性和分析性流行病學的特徵（來源：Fos, 2010） 

從上表可以看出，兩種流行病學研究之間存在明顯差異。 從研究目標和所考慮的變量類型來看，這一點最為明顯。因此，在每種類型的研究中應用的統計檢驗和模型是不同的。

References

Chubb, M. C., & Jacobsen, K. H. (2010). Mathematical modelling and theepidemiological research process. European Journal of Epidemiology, 25(1), 13–19.

Corley, C. D., Pullum, L. L., Hartley, D. M., Benedum, C., Noonan, C., Rabinowitz, P. M., & Lancaster, M. J. (2014). Disease Prediction Models and Operational Readiness. PLOS ONE, 9(3), e91989.

Dicker, R. C., Coronado, F., Koo, D., & Parrish, R. G. (2006). Introduction to Epidemiology. In Principles of Epidemiology in Public Health Practice:An Introduction to Applied Epidemiology and Biostatistics (Third, pp. 65–88).

Dubé, C., Garner, G., Stevenson, M., Sanson, R., Estrada, C., & Willeberg, P. (2007). The use of epidemiological models for the mangement of animal diseases. In 75th General Session of the International Committee of the World Organisation for Animal Health (OIE) (pp. 13–23). Paris.

Fos, P. J. (2010). Epidemiology Foundations: The Science of Public Health. John Wiley & Sons.

Heesterbeek, H., Anderson, R. M., Andreasen, V., Bansal, S., De Angelis, D., Dye, C., … Hollingsworth, T. D. (2015). Modeling infectious disease dynamics in the complex landscape of global health. Science, 347(6227), aaa4339.

Ressing, M., Blettner, M., & Klug, S. J. (2010). Data analysis of epidemiological studies: Part 11 of a series on evaluation of scientific publications. Deutsches Arzteblatt International, 107(11), 187–192.

Szklo, M., & Nieto, J. (2014). Basic Study Designs in Analytical Epidemiology. In M. Szklo & J. Nieto (Eds.), Epidemiology : Beyond the Basics (Third, pp. 3–44). Jones & Bartlett Learning.

Vynnycky, E., & White, R. (2010). Introduction. The basics: Infections, Transmission and Models. In E. Vynnycky & R. White (Eds.), An Introduction to Infectious Disease Modelling (First, pp. 1–12). OUP Oxford.

World Health Organization. (2017). The top 10 causes of death