余宏杰课题组在优化新冠疫苗接种策略领域取得重要进展
近期，复旦大学余宏杰课题组联合北京大学北京国际数学研究中心周晓华教授团队在优化新冠疫苗接种策略领域取得重要进展，研究结果以“Time-varying optimization of COVID-19 vaccine prioritization in the context of limited vaccination capacity”为题，于8月3日在线发表于Nature Communications（论文链接：https://www.nature.com/articles/s41467-021-24872-5）。
新冠疫苗作为控制新冠肺炎大流行，恢复正常社会生活秩序的潜在长效解决方案，其分配一直备受关注。如何在人群中分配疫苗以最大程度减小疾病负担，是各国政府亟需解决的重要科学问题。常规决策通常简单地采用以下方法：优先接种重症风险高的老年人群以降低死亡人数，或优先接种接触活跃的年轻人群以控制感染人数。然而，此方法忽略了疫苗的间接保护效果，会出现最小化感染人数时可能导致死亡人数上升的现象，反之亦然。疫苗接种策略能否根据疫情发展适时调整目标接种人群，以有效利用疫苗的直接保护和间接保护效果，同时控制感染人数和死亡人数？
针对以上科学问题，余宏杰课题组与周晓华教授团队在经典的传染病传播动力学模型基础上，开发了疫情驱动的新冠疫苗动态分配算法。结合我国人口学特征、人群接触模式、人群免疫水平、新冠肺炎基本再生数和代际间隔等流行病学参数，以及疫苗效力、疫苗供应和接种服务能力、免疫程序等疫苗相关参数，分别以感染、有症状感染、住院、入住重症监护室（ICU）和死亡等五个风险指标在模拟期400天的累计人数最小为优化目标，研究了动态优化新冠疫苗的接种策略。
研究结果表明，基于单一目标的动态优化接种策略可同时显著降低五个风险指标。例如，在基线情景设置下（平均每天接种400万剂次新冠疫苗，即0.14%的接种速度；假设非药物干预措施能够将新冠病毒的有效再生数R控制在1.5；疫苗对15-59岁人群预防感染的保护效力为80%，其它人群为60%），动态优化接种策略可使感染人数减少6.343–6.422亿（89.7–90.8%），死亡人数减少590–630万（87.9–93.0%）；而全人群随机接种的策略则使这些风险指标下降幅度不超过67%（图1）。
图1.不同疫苗接种策略和不接种疫苗情景下的风险指标（0.14%接种速度，R=1.5）
图中，No Vaccine表示不接种疫苗情景，Uniform表示全人群随机接种，Optimal Infection、Optimal Symp、Optimal Hosp、Optimal ICU、Optimal Death分别表示按照以最大程度减少感染、有症状病例、住院、入住ICU和死亡人数为优化目标接种。a表示不接种疫苗情景、全人群随机接种以及五种最优接种策略下的感染人数。b-e同（a），但分别表示有症状病例、住院、入住ICU和死亡人数。f表示不同疫苗接种策略可避免的感染、有症状病例、住院、入住ICU和死亡人数的占比（相比于不接种疫苗情景）。
动态优化接种策略能够随着疫情发展适时调整目标接种人群（图2）。例如，当疫苗接种策略的目标是最小化死亡人数，应优先接种65岁以上人群，直至覆盖率达到100%；然后对40-64岁的人群接种，直至覆盖率达到97.2%（图2e）。改变日接种能力、疫苗保护效力/效果、人群接种意愿、疫苗大规模接种相对于疫情暴发的时间、病例报告系统的不确定性和滞后性、疫苗保护作用的仿真模拟机制等关键参数，前两个优先接种的年龄组及其覆盖率基本保持稳定。
图2.模拟期400天内，动态优化接种和全人群随机接种策略下目标人群的变化情况（0.14%接种速度，R=1.5）
图中，a Minimizing infections表示最小化感染人数时的接种策略; b Minimizing symptomatic cases表示最小化有症状病例时的接种策略; c Minimizing hospitalizations代表最小化住院病例时的接种策略; d Minimizing ICUs表示最小化入住ICU人数时的接种策略; e Minimizing deaths代表最小化死亡人数时的接种策略; f Uniform strategy表示全人群随机接种策略。Vaccinated proportions（%）为累计覆盖率，Days为接种开始的天数。阴影部分表示普通人群，线条部分包括重点人群。
实际疫苗接种过程中存在诸多不确定性，比如因变异株的流行导致新冠疫苗在真实世界的保护效力未知，疫苗保护效力是否有年龄别的异质性，人群接种意愿，疫苗保护机制，人群接触模式发生变化，感染过新冠病毒的人群是否接种新冠疫苗等。进一步研究发现，当这些参数和情境变化时，动态优化接种策略相对全人群随机接种策略的优势仍和基线基本一致（图3b-f, 3h, 3j-l）。在疫苗日接种能力较高、新冠疫情传播力或疫苗大规模接种远早于疫情暴发时间等情景下，全人群随机接种策略可将五个风险指标控制在和动态优化接种策略相当的水平（图3a, 3g, 3i）。
图3.动态优化策略和全人群随机接种策略在不同情境下的比较
图中，Uniform表示全人群随机接种，Optimal Infection、Optimal Symp、Optimal Hosp、Optimal ICU、Optimal Death分别表示按照以最小化感染、有症状病例、住院、入住ICU和死亡人数为优化目标接种。a不同接种策略可避免死亡人数的占比随日接种能力变化。b同(a)，但随疫苗保护效力变化。c同(a)，但随保护效力是否存在年龄异质性变化。d同(a)，但随人群接种意愿变化。e同(a)，但随疫苗预防疾病的额外保护效力变化。f同(a)，但随疫苗80%的保护效力只能预防感染还是只能预防疾病变化。g同(a)，但随疫苗大规模接种相对疫情暴发的时间变化。h同(a)，但随是否接种感染过新冠病毒的人群变化。i同(a)，但随新冠肺炎疫情再生数R变化。j同(a)，但随不同人群接触模式变化。k同(a)，但随无症状感染者相对有症状感染者的传染性变化；l同(a)，但随病例报告系统的不确定性和滞后性变化。
本研究报道了根据疫情发展，动态调整新冠疫苗优先接种的目标人群的策略可同时显著降低多个结局目标（包括感染人数和死亡人数等）；相较于全人群随机接种策略，动态优化接种策略在多种情景下具有明显优势。但在一些情况下，例如，当疫苗大规模接种远早于疫情暴发或日接种能力很高（与当前中国疫苗接种情景相符），全人群随机接种策略可与动态优化接种策略表现相当。该结果支持了我国当前的疫苗接种策略高度有效。需要强调的是，其他国家或地区在应用本研究的模型方法制定最优疫苗接种策略时，需结合本国社会人口学特征、新冠疫情发展态势、疫苗接种能力等方面的差异。
北京大学北京国际数学研究中心博士后韩莎莎和复旦大学公卫学院博士后蔡俊是共同第一作者，复旦大学公卫学院、上海市重大传染病和生物安全研究院、复旦大学附属华山医院感染病科双聘PI余宏杰教授和北京大学北京国际数学研究中心、公卫学院、大数据分析与应用技术国家工程实验室周晓华教授为共同通讯作者。本研究得到国家自然科学基金委杰出青年基金（81525023）、国家重点研发计划和国家自然科学基金委项目（82041023，81773546）的资助。