流行病学关键参数病死率与再生数的估计方法及应用探索

流行病学关键参数病死率与再生数的估计方法及应用探索一、引言1.1研究背景与意义在流行病学领域，病死率（CaseFatalityRate,CFR）和再生数（ReproductionNumber）是至关重要的参数，它们为我们理解疾病的传播与影响提供了关键视角。病死率，作为衡量疾病严重程度的关键指标，直观地反映了在一定时期内，患某病的全部病人中因该病而死亡的比例。例如，在埃博拉疫情中，其较高的病死率引起了全球的高度关注。据统计，在部分疫情严重地区，埃博拉的病死率曾高达50%-70%，这一数据凸显了该疾病对人类生命健康的巨大威胁。通过准确估计病死率，我们能够直接判断疾病的严重性，为医疗资源的合理分配提供重要依据。在疫情初期，若能精准掌握病死率，医疗部门就可以提前规划，确保重症监护病房、专业医护人员等关键资源能够满足患者的需求。再生数则主要用于量化传染病的传播能力，分为基本再生数（BasicReproductionNumber,R_0）和有效再生数（EffectiveReproductionNumber,R_e或随时间变化的有效再生数R_t）。R_0指在所有人都是易感者的人群中，一个指示病例在感染期间感染的平均人数；R_e（R_t）是指在某种程度上具有免疫力的人群中，一个指示病例在t时刻的平均感染人数。以新型冠状病毒肺炎（COVID-19）疫情为例，早期对其R_0的估计在1.5到4之间，这表明新冠病毒具有较强的传播能力。再生数的准确估计对于预测疫情的发展趋势、评估防控措施的效果起着举足轻重的作用。若R_0大于1，疫情将呈指数增长；若通过防控措施使R_e（R_t）降至1以下，疫情则有望得到控制。准确估计病死率和再生数对疾病防控和公共卫生决策具有不可估量的重要意义。在疾病防控方面，它们是制定科学防控策略的基石。了解病死率，有助于确定重点救治对象和医疗资源的投入方向；掌握再生数，能够帮助我们判断疫情的传播态势，及时采取隔离、社交distancing等针对性措施，有效遏制疫情的蔓延。从公共卫生决策角度看，这些参数为政府部门提供了决策依据，有助于合理规划卫生资源、制定疫情防控政策，保障公众的健康和安全。在资源有限的情况下，基于准确的病死率和再生数估计，决策者可以权衡利弊，做出最有利于公共卫生的决策。1.2国内外研究现状在病死率估计方法的研究方面，国内外学者已取得了一系列重要成果。在疫情暴发初期，数据收集存在诸多困难，基于汇总型数据的病死率估计方法应运而生。Yip等人利用chainmultinomial模型采用每日病死率指标计算疾病期间每日病死率，为早期病死率的估计提供了一种思路。陈征和Nakamura、韩栋等人利用治愈-死亡危险率比建立估计模型，分别应用最大似然法和轮廓似然法求出，通过模拟分析发现，该方法病死率估计值的相对误差和标准差均较小，在疫情初期对病死率进行较为准确的估计。这些基于汇总型数据的方法，在数据有限的情况下，能够快速提供病死率的大致估计，为疫情防控决策提供了重要参考。随着研究的深入，基于个体型数据的病死率估计方法逐渐受到关注。此类方法能够更细致地考虑个体特征对病死率的影响。生存分析是常用的方法之一，它可以处理删失数据，更准确地估计病死率。Cox比例风险模型在分析个体协变量与病死率关系方面具有重要应用，通过纳入年龄、性别、基础疾病等协变量，能够更全面地评估这些因素对病死率的影响。一些研究还考虑了竞争风险的存在，如在分析某种疾病的病死率时，同时考虑其他疾病导致死亡的竞争风险，使估计结果更加符合实际情况。国外在病死率估计方法的研究上起步较早，在理论和实践方面都积累了丰富的经验。例如，在艾滋病疫情研究中，通过长期的随访和数据分析，建立了多种病死率估计模型，这些模型考虑了病毒载量、治疗方案、患者生活方式等多种因素，为艾滋病的防控和治疗提供了有力支持。在流感疫情研究中，利用监测数据和统计模型，对不同季节、不同地区的流感病死率进行了准确估计，为流感疫苗的研发和接种策略的制定提供了科学依据。国内学者在借鉴国外经验的基础上，结合我国实际情况，也在不断探索和创新病死率估计方法。在SARS、人感染H7N9禽流感等疫情中，国内学者通过对疫情数据的深入分析，提出了适合我国国情的病死率估计方法。这些方法充分考虑了我国人口密度大、医疗资源分布不均等特点，为我国疫情防控工作提供了重要的技术支持。在新冠疫情期间，国内学者迅速开展研究，利用大数据、人工智能等技术，对新冠病毒的病死率进行了多维度的分析和估计，为疫情防控政策的调整和优化提供了科学依据。在再生数估计方法的研究方面，国内外同样取得了显著进展。传统的再生数估计方法主要基于传染病动力学模型，如SIR（Susceptible-Infectious-Recovered）模型、SEIR（Susceptible-Exposed-Infectious-Recovered）模型等。SIR模型将人群分为易感者、感染者和移出者三个类别，通过建立微分方程来描述疾病的传播过程，从而估计再生数。SEIR模型在SIR模型的基础上，增加了潜伏期暴露者类别，更符合一些传染病的传播特点。这些模型在传染病研究的早期发挥了重要作用，为我们理解疾病的传播机制提供了基础。随着研究的不断深入，考虑更多实际因素的再生数估计模型不断涌现。一些研究考虑了隐性感染人群的影响，建立了如SLICAR（Susceptible-Latent-Infectious-Cured-Asymptomatic-Recovered）模型。该模型考虑到隐性感染人群的潜伏期和发病期均具有传染性，能够更准确地描述传染病的传播过程，从而提高再生数的估计精度。在新冠疫情研究中，一些学者利用该模型对新冠病毒的传播进行了分析，发现隐性感染人群在疫情传播初期起到了重要作用，为疫情防控措施的制定提供了新的视角。时间相依再生数方法也得到了广泛应用。该方法能够动态地反映再生数随时间的变化，更准确地评估疫情的发展趋势和防控措施的效果。在埃博拉疫情研究中，通过时间相依再生数方法，研究人员发现疫情在不同阶段的传播能力存在差异，随着防控措施的加强，再生数逐渐下降，这为疫情防控策略的调整提供了重要依据。国外在再生数估计方法的研究方面处于领先地位，不断推动着理论和技术的创新。在登革热、寨卡病毒等传染病研究中，国外学者利用先进的数学模型和数据分析技术，对再生数进行了深入研究，提出了许多新的估计方法和理论。这些研究成果不仅为当地的疫情防控提供了支持，也为全球传染病防控提供了宝贵的经验。国内在再生数估计方法的研究方面也取得了长足进步。在应对各种传染病疫情过程中，国内学者积极开展研究，结合我国的疫情特点和防控实践，对传统的再生数估计方法进行改进和完善。在新冠疫情期间，国内学者利用大数据、云计算等技术，对再生数进行了实时监测和分析，为疫情防控决策提供了及时、准确的信息。一些学者还将机器学习算法应用于再生数估计，通过对大量疫情数据的学习和分析，提高了再生数估计的准确性和时效性。尽管国内外在病死率和再生数估计方法的研究上取得了显著成果，但当前研究仍存在一些不足之处。在病死率估计方面，不同方法之间的比较和整合还不够充分，缺乏统一的评价标准，导致在实际应用中难以选择最合适的方法。对于一些复杂的传染病，如同时存在多种传播途径、多种感染类型的疾病，现有的病死率估计方法还不能很好地适应，需要进一步探索和创新。在再生数估计方面，模型的假设与实际情况往往存在一定差距，如对人群行为、病毒变异等因素的考虑还不够全面，这可能导致再生数估计结果的偏差。数据的质量和完整性也对再生数估计的准确性产生重要影响，在实际疫情中，数据的缺失、错误等问题较为常见，如何有效地处理这些问题，提高数据质量，是再生数估计方法研究面临的重要挑战。1.3研究内容与方法本研究致力于深入探究病死率和再生数的估计方法，并通过实际案例分析，揭示这些方法在传染病防控中的重要应用价值。在病死率估计方法的研究方面，将全面梳理现有的基于汇总型数据和个体型数据的各类估计方法。对于基于汇总型数据的方法，深入剖析如Yip等人利用chainmultinomial模型采用每日病死率指标计算疾病期间每日病死率的方法，以及陈征和Nakamura、韩栋等人利用治愈-死亡危险率比建立估计模型的方法，通过理论分析和模拟研究，比较它们在不同数据条件和疫情场景下的优缺点。对于基于个体型数据的方法，重点研究生存分析中的Cox比例风险模型在分析个体协变量与病死率关系方面的应用，探索如何更准确地纳入年龄、性别、基础疾病等协变量，以提高病死率估计的精度。还将研究考虑竞争风险的病死率估计方法，分析竞争风险对病死率估计结果的影响，建立更符合实际情况的病死率估计模型。在再生数估计方法的研究中，对传统的基于传染病动力学模型的估计方法，如SIR、SEIR模型等进行深入研究，分析模型的假设条件、适用范围以及在实际应用中的局限性。对考虑隐性感染人群的潜伏期和发病期均具有传染性的SLICAR模型进行详细分析，研究如何通过该模型更准确地描述传染病的传播过程，从而提高再生数的估计精度。利用该模型对实际传染病疫情数据进行分析，验证模型的有效性，并与传统模型的估计结果进行比较。深入研究时间相依再生数方法，分析该方法如何动态地反映再生数随时间的变化，以及如何利用这一特性更准确地评估疫情的发展趋势和防控措施的效果。通过实际案例分析，探讨时间相依再生数方法在疫情防控决策中的应用价值。为了实现上述研究内容，将综合运用多种研究方法。在理论研究方面，通过查阅大量的国内外文献，系统地梳理病死率和再生数估计方法的研究现状和发展趋势，对现有的各种估计方法进行理论分析和比较，为后续的研究奠定坚实的理论基础。在模拟研究方面，利用计算机模拟技术，生成不同特征的传染病疫情数据，包括不同的传播模式、感染率、病死率等，运用各种估计方法对模拟数据进行分析，评估不同方法的性能，如估计的准确性、稳定性等，通过模拟研究，深入了解各种估计方法的适用条件和局限性，为实际应用提供参考。在实例分析方面，收集和整理实际的传染病疫情数据，如新冠疫情、埃博拉疫情、流感疫情等，运用所研究的估计方法对这些数据进行分析，得到病死率和再生数的估计值，并结合疫情的实际发展情况，对估计结果进行验证和分析，探讨这些估计值在疫情防控中的应用价值，为疫情防控决策提供科学依据。1.4创新点与不足本研究在病死率和再生数估计方法的研究及应用方面取得了一定的创新成果。在病死率估计方法研究中，系统地梳理和比较了基于汇总型数据和个体型数据的多种估计方法，通过理论分析和模拟研究，明确了不同方法在不同数据条件和疫情场景下的优缺点，为实际应用中选择合适的病死率估计方法提供了科学依据。这一全面的比较分析在以往研究中较少见，以往研究往往侧重于某一类方法的研究，缺乏对不同类型方法的综合对比。在再生数估计方法研究中，引入了考虑隐性感染人群潜伏期和发病期均具有传染性的SLICAR模型，并将其与传统的传染病动力学模型进行对比分析。通过实际案例验证，发现该模型能够更准确地描述传染病的传播过程，提高再生数的估计精度。这一研究为再生数估计提供了新的视角和方法，有助于更全面地理解传染病的传播机制。尽管本研究取得了一些成果，但仍存在一定的局限性。在病死率估计方面，虽然对多种估计方法进行了研究，但实际疫情数据往往复杂多变，存在数据缺失、错误等问题，这些因素可能影响病死率估计的准确性。本研究在处理这些复杂数据时，方法的鲁棒性还有待进一步提高。对于一些罕见传染病或新出现的传染病，由于数据量有限，可能无法准确评估现有估计方法的性能，需要进一步探索适用于小样本数据的病死率估计方法。在再生数估计方面，虽然考虑了隐性感染人群等因素对再生数估计的影响，但模型中仍存在一些假设与实际情况不完全相符的情况。例如，模型对人群行为的假设较为简单，未能充分考虑疫情期间人们行为的动态变化，如社交距离的调整、防护措施的加强等对传染病传播的影响。对于病毒变异导致的传播能力变化，模型的适应性也有待提高。数据的质量和完整性对再生数估计的准确性至关重要，在实际疫情中，数据的收集和整理往往存在困难，如何更有效地利用有限的数据提高再生数估计的准确性，是未来研究需要解决的问题。二、病死率的估计方法2.1病死率的基本概念病死率（CaseFatalityRate,CFR），是一个在流行病学领域用于衡量疾病严重程度的关键指标。其定义为在一定时期内，患某病的全部病人中因该病而死亡的比例。用公式可表示为：病死率=某时期内因某病死亡人数/同期患某病的病人数×100%。这里的“一定时期”，会依据疾病的特性而有所不同，对于病程较长的疾病，如某些慢性疾病，这个时期可能设定为一年；而对于病程较短的急性传染病，像流感、霍乱等，可能是一个月甚至更短，比如几天。在实际应用中，病死率的表达方式会因具体情况而有所变化。当关注某地区特定时间段内某病的病死率时，计算方式会结合该地区的人口数据。例如，计算某城市在一个月内流感的病死率，需统计该月内该城市患流感的总人数以及因流感死亡的人数，再代入上述公式计算。这能帮助我们了解该城市在特定时期内流感对人群健康的威胁程度。在不同的研究场景和数据收集方式下，病死率的计算也会有所差异。在医院的临床研究中，可能会针对住院的某病患者来计算病死率，此时分母仅为住院的患某病的病人数。通过这种方式得到的病死率，能够反映出医院对该疾病的治疗效果以及疾病在住院患者中的严重程度。如果一家医院统计其一年内住院的肺癌患者的病死率，通过对比不同年份的病死率数据，可评估医院肺癌治疗水平的变化，以及疾病本身严重程度的波动情况。在大规模的疫情调查中，病死率的计算会涉及更广泛的人群数据收集。以新冠疫情为例，全球各国在统计新冠病死率时，需要统计本国确诊新冠的总人数以及因新冠死亡的人数。由于新冠疫情的复杂性，不同国家的统计标准和数据收集方式存在差异，这也导致了各国公布的新冠病死率存在一定的偏差。一些国家可能因为检测能力有限，未能及时发现所有的新冠患者，使得分母（确诊病例数）被低估，从而导致计算出的病死率偏高；而另一些国家可能存在死亡原因判定不明确的情况，将一些可能并非直接因新冠导致的死亡也统计在内，同样会影响病死率的准确性。2.2传统估计方法2.2.1简单比例法简单比例法是一种在病死率估计中最为基础且直观的方法。其核心计算方式是直接依据病死率的定义公式，即病死率=某时期内因某病死亡人数/同期患某病的病人数×100%。在实际应用场景中，这种方法的操作相对简便。以某地区流感疫情为例，在2023年冬季，该地区共报告流感确诊病例1000例，经过一段时间的追踪统计，发现其中有10例患者最终因流感死亡。按照简单比例法，该地区此次流感疫情的病死率计算如下：病死率=10/1000×100%=1%。从这个计算过程可以看出，简单比例法无需复杂的数学模型和高深的统计学知识，只要能够准确获取死亡人数和患病人数这两个关键数据，就能迅速得出病死率的估计值。这种方法的优点十分显著。它简单易懂，无论是专业的医学研究人员，还是普通的公共卫生工作者，甚至是对医学知识了解有限的大众，都能轻松理解和运用。在疫情初期，当需要快速对疾病的严重程度有一个初步判断时，简单比例法能够迅速提供一个直观的病死率数据，为后续防控措施的制定提供重要的参考依据。在面对一些突发的传染病疫情时，相关部门可以利用简单比例法快速计算出病死率，从而及时决定是否需要启动应急预案，调配医疗资源等。简单比例法也存在一些明显的局限性。它对数据的准确性和完整性要求极高。在实际的疫情监测和统计过程中，要确保准确统计所有的患病人数和死亡人数并非易事。漏报、误报等情况时有发生。有些流感患者可能症状较轻，未前往医院就诊，从而未被统计在确诊病例中；而对于一些死亡病例，可能由于死因判断不准确，导致将因流感死亡的病例误归为其他原因死亡，或者相反。这些数据误差会直接影响病死率的计算结果，使得估计值与真实值产生偏差。简单比例法没有考虑到疾病发展过程中的动态变化以及个体差异等因素。不同年龄段、不同基础健康状况的人群，感染流感后的病死率可能存在很大差异。老年人、儿童以及患有慢性基础疾病的人群，往往更容易发展为重症，病死率相对较高；而年轻、健康的人群，感染流感后的病死率则相对较低。简单比例法将所有患者视为一个整体进行计算，无法反映出这些个体差异对病死率的影响。在分析流感疫情时，如果不考虑这些因素，仅使用简单比例法得出的病死率，可能无法准确指导针对不同人群的防控和治疗措施的制定。2.2.2基于发病率和死亡率推算利用发病率和死亡率推算病死率，是基于一定的流行病学原理。当某病的发病和病程处于相对稳定状态时，病死率与发病率、死亡率之间存在着特定的关系，可用公式表示为：病死率=某病死亡率/某病发病率×100%。这个公式的推导基于对疾病在人群中传播和发展过程的理解。发病率反映了在一定时期内，特定人群中某病新病例出现的频率；死亡率则体现了在相同或相关时期内，因某病死亡的频率。在稳定状态下，通过这两个指标的比值，可以推算出患某病的患者中最终因该病死亡的比例，即病死率。以历史上的霍乱疫情数据进行案例分析，更能直观地理解这一推算方法。在1994年印度某地区发生的霍乱疫情中，该地区当年的人口总数为100万人。经过详细的疫情监测和统计，发现这一年新确诊的霍乱病例有5000例，由此可计算出霍乱的发病率为：发病率=5000/1000000×100%=0.5%。在同一时期，因霍乱死亡的人数为250人，那么霍乱的死亡率为：死亡率=250/1000000×100%=0.025%。根据病死率的推算公式，该地区此次霍乱疫情的病死率为：病死率=0.025%/0.5%×100%=5%。这种基于发病率和死亡率推算病死率的方法，有其特定的适用条件。首要条件是疾病的发病和病程需处于稳定状态。这意味着在研究期间，疾病的传播模式、流行强度、医疗干预措施等因素相对稳定，没有发生显著的变化。如果在疫情期间，突然出现了有效的疫苗接种运动，或者大规模的公共卫生防控措施调整，导致发病率和死亡率发生急剧变化，那么此时使用这种稳定状态下的推算公式就不再准确。数据的准确性同样至关重要。发病率和死亡率的计算依赖于准确的病例报告和死亡登记系统。若存在病例漏报、误诊，或者死亡原因登记错误等情况，都会导致推算出的病死率出现偏差。在一些医疗资源匮乏、监测体系不完善的地区，疫情数据的准确性往往难以保证，这就限制了该方法的应用效果。2.3现代统计方法2.3.1生存分析方法生存分析是一种在医学研究、流行病学等领域广泛应用的统计方法，其核心目的是深入探究在给定时间内，个体出现特定事件（如疾病死亡、复发等）的概率，并分析多种因素对这一事件发生时间的影响。在病死率估计方面，生存分析具有独特的优势，能够充分考虑到删失数据的情况，从而使病死率的估计结果更加准确可靠。删失数据在实际研究中极为常见。以癌症患者的生存研究为例，假设我们对100名癌症患者进行随访观察，研究从治疗开始到患者死亡的时间。在研究过程中，可能会出现多种导致数据删失的情况。有部分患者可能因为各种原因中途退出了研究，比如经济原因无法继续支付医疗费用，或者因为个人原因搬离了研究地区，无法继续接受随访，这就导致我们无法获取他们完整的生存时间数据；还有些患者在研究结束时仍然存活，我们只知道他们在研究期间没有死亡，但不知道他们未来何时会死亡，这同样造成了数据的删失。生存分析方法通过合理的统计模型来处理这些删失数据。常用的生存分析模型包括Kaplan-Meier法和Cox比例风险模型。Kaplan-Meier法是一种非参数估计方法，它能够直观地展示生存曲线。该方法根据患者的生存时间和删失情况，逐段计算生存概率，从而绘制出生存曲线。通过生存曲线，我们可以清晰地了解到不同时间点上患者的生存状况。从生存曲线中，我们可以直接读取在某个时间点上，患者的生存比例，如在治疗后的第1年，有多少比例的患者仍然存活；也能观察到生存概率随时间的变化趋势，判断疾病对患者生存的影响是逐渐加重还是有所缓解。Cox比例风险模型则是一种半参数模型，它可以同时纳入多个协变量，如患者的年龄、性别、基础疾病、治疗方式等，进而分析这些协变量对生存时间的影响程度。在分析肺癌患者的病死率时，我们可以将患者的年龄、吸烟史、肿瘤分期、治疗方法等因素作为协变量纳入Cox比例风险模型。通过模型分析，我们可能会发现年龄较大、有长期吸烟史、肿瘤分期较晚且采用保守治疗方法的患者，其死亡风险相对较高；而年轻、无吸烟史、肿瘤早期且接受手术治疗的患者，死亡风险较低。Cox比例风险模型能够给出每个协变量的风险比（HazardRatio,HR），风险比大于1表示该因素会增加死亡风险，风险比小于1则表示该因素会降低死亡风险。通过这种方式，我们可以更全面、深入地了解影响病死率的因素，为临床治疗和疾病防控提供更有针对性的建议。2.3.2竞争风险模型在实际的疾病研究中，常常会遇到这样的情况：患者面临的死亡风险并非单一的，而是存在多种死亡原因相互竞争。例如，在艾滋病患者的治疗过程中，他们不仅面临着因艾滋病本身导致的免疫功能严重受损，进而引发各种机会性感染而死亡的风险；同时，还可能由于心血管疾病、癌症等其他慢性疾病而死亡。在这种存在多种死亡原因的情况下，传统的病死率估计方法往往会出现偏差，因为它们没有充分考虑到不同死亡原因之间的相互影响。而竞争风险模型的出现，很好地解决了这一问题。竞争风险模型的基本原理是将每种死亡原因视为一个独立的风险事件，同时考虑它们之间的相互作用。该模型能够准确地估计出在多种竞争风险存在的情况下，每种死亡原因导致死亡的概率，也就是特定原因的病死率。在分析艾滋病患者的病死率时，竞争风险模型会同时考虑艾滋病相关死亡和其他原因死亡的风险。通过对大量艾滋病患者数据的分析，该模型可以计算出艾滋病患者在不同时间点上，因艾滋病相关原因死亡的概率以及因其他原因死亡的概率。以某地区对艾滋病患者的长期随访研究为例，该地区共纳入了500名艾滋病患者进行跟踪观察。在随访过程中，有100名患者死亡，其中60名患者是因艾滋病相关的机会性感染死亡，40名患者是因心血管疾病等其他原因死亡。如果使用传统的病死率估计方法，直接计算总的病死率为100/500=20%，但这样无法区分不同死亡原因对病死率的影响。而运用竞争风险模型进行分析后，发现艾滋病相关原因导致的病死率为60/500=12%，其他原因导致的病死率为40/500=8%。通过这样的分析，我们可以更清楚地了解到艾滋病患者面临的主要死亡风险来源，从而有针对性地制定防治策略。如果艾滋病相关原因导致的病死率较高，那么就需要加大对艾滋病治疗的投入，研发更有效的抗病毒药物，提高患者的免疫力，预防和治疗机会性感染；如果其他原因导致的病死率较高，就需要关注艾滋病患者的心血管健康、癌症筛查等方面，加强对这些慢性疾病的预防和治疗。2.4不同方法的比较与选择在病死率估计方法的应用中，传统方法和现代统计方法各有优劣，在不同的场景下需要根据具体情况选择合适的方法。从准确性角度来看，传统的简单比例法虽然直观简便，但在面对复杂的疫情数据时，其准确性往往受到限制。该方法仅依赖于死亡人数和患病人数的简单比例计算，无法考虑疾病发展过程中的动态变化以及个体差异等因素。在流感疫情中，不同年龄段、不同基础健康状况的人群感染后的病死率可能存在很大差异，简单比例法将所有患者视为一个整体进行计算，难以准确反映真实的病死率情况。而基于发病率和死亡率推算的方法，在疾病发病和病程处于稳定状态且数据准确的情况下，能够提供较为可靠的病死率估计。但一旦疾病的流行情况发生变化，或者数据存在误差，其估计结果的准确性就会受到影响。现代统计方法在准确性方面具有明显优势。生存分析方法能够充分考虑删失数据的情况，通过合理的统计模型对其进行处理，从而更准确地估计病死率。Kaplan-Meier法通过逐段计算生存概率绘制生存曲线，直观地展示了患者在不同时间点的生存状况；Cox比例风险模型则可以纳入多个协变量，深入分析这些因素对生存时间的影响，使病死率的估计更加全面和准确。竞争风险模型在存在多种死亡原因相互竞争的情况下，能够准确估计特定原因的病死率，避免了传统方法因忽视竞争风险而导致的偏差。在数据要求方面，简单比例法对数据的要求相对较低，只需准确获取死亡人数和患病人数即可进行计算。在疫情初期，当数据收集还不全面时，这种方法能够快速提供一个初步的病死率估计。基于发病率和死亡率推算的方法则需要准确的发病率和死亡率数据，这要求有完善的疾病监测和报告系统，以确保数据的准确性和完整性。现代统计方法对数据的要求更为严格。生存分析方法需要详细的个体生存时间数据以及相关的协变量信息，这些数据的收集和整理需要耗费大量的时间和精力。竞争风险模型除了需要个体生存时间和协变量数据外，还需要准确区分不同的死亡原因，这对数据的质量和详细程度提出了更高的要求。计算复杂度也是选择估计方法时需要考虑的重要因素。简单比例法的计算过程简单直接，无需复杂的数学运算和专业的统计知识，普通人员即可快速掌握和应用。基于发病率和死亡率推算的方法，虽然计算过程相对复杂一些，但只要掌握了发病率和死亡率的计算方法，也能较为容易地进行病死率的推算。现代统计方法的计算复杂度较高。生存分析中的Kaplan-Meier法和Cox比例风险模型，涉及到复杂的数学模型和统计运算，需要专业的统计软件和具备一定统计学知识的人员来操作。竞争风险模型的计算更为复杂，不仅要考虑多种死亡原因的相互作用，还需要运用专门的统计方法进行分析，对计算资源和人员的专业能力要求更高。在不同场景下，应根据具体情况选择合适的病死率估计方法。在疫情初期，数据有限且需要快速了解疾病的严重程度时，简单比例法是一个不错的选择，它能够迅速提供一个大致的病死率估计，为疫情防控决策提供初步参考。当疾病的发病和病程相对稳定，且有可靠的发病率和死亡率数据时，基于发病率和死亡率推算的方法可以得到较为准确的病死率估计。对于需要深入分析个体因素对病死率的影响，或者存在多种死亡原因相互竞争的情况，如癌症患者的生存研究、艾滋病患者的死亡风险分析等，现代统计方法中的生存分析和竞争风险模型则更为适用，它们能够提供更准确、全面的病死率估计，为临床治疗和疾病防控提供有力的支持。在实际应用中，还可以结合多种方法进行综合分析，相互验证，以提高病死率估计的准确性和可靠性。三、再生数的估计方法3.1再生数的定义与意义再生数是传染病动力学中的核心概念，在评估传染病传播能力和预测疫情发展态势方面具有不可替代的作用。它分为基本再生数（BasicReproductionNumber,R_0）和有效再生数（EffectiveReproductionNumber,R_e或随时间变化的有效再生数R_t）。基本再生数R_0，是指在一个完全易感的人群中，在没有任何干预措施（如疫苗接种、隔离、社交distancing等）的情况下，一个初始感染者在整个传染期内平均能够传染的新病例数。这个概念假设人群中每个人都对该传染病没有免疫力，且人群处于均匀混合的状态，即每个人都有相同的概率接触到其他任何人。R_0是一个描述传染病内在传播能力的固有参数，它反映了病原体的生物学特性以及传播途径的效率等因素。以麻疹为例，其R_0值通常在12-18之间，这表明在完全易感的人群中，一个麻疹患者平均能够传染12-18个人，充分体现了麻疹极强的传播能力。有效再生数R_e（R_t）则是考虑了人群中已经存在一定比例的免疫个体，以及各种防控措施对传染病传播的影响后，一个感染者在某一时刻t平均能够传染的新病例数。在新冠疫情期间，随着疫苗接种的普及和社交distancing、口罩佩戴等防控措施的实施，人群的免疫水平和接触模式发生了变化，此时有效再生数R_e（R_t）能够更准确地反映疫情在当前状态下的传播情况。如果通过大规模的疫苗接种，使得人群的免疫覆盖率达到一定程度，或者严格执行社交distancing措施，减少了人群之间的接触机会，那么R_e（R_t）的值就会降低。再生数在传染病防控中具有极其重要的意义。它是评估传染病传播能力的关键指标。R_0值越大，说明传染病的传播能力越强，疫情在人群中扩散的速度就越快，潜在的影响范围也就越广。在评估一种新出现的传染病时，准确估计R_0值可以帮助我们迅速判断其传播风险，为后续的防控决策提供重要依据。再生数对于预测疫情的发展态势起着关键作用。当R_0大于1时，意味着每个感染者平均能够传染超过1个人，疫情将呈现指数增长的趋势，病例数会迅速增加；当R_0等于1时，疫情将处于稳定状态，新发病例数将保持相对不变；当R_0小于1时，疫情将逐渐得到控制，病例数会逐渐减少。在新冠疫情初期，通过对R_0的估计，我们能够预测疫情的发展趋势，提前做好医疗资源的储备和调配，制定相应的防控策略。有效再生数R_e（R_t）还可以用于评估防控措施的效果。通过对比采取防控措施前后R_e（R_t）的变化，我们可以直观地了解到防控措施对疫情传播的抑制作用。如果在实施了一系列防控措施后，R_e（R_t）明显下降，说明防控措施取得了成效；反之，如果R_e（R_t）没有明显变化或者反而上升，就需要对防控措施进行调整和优化。三、再生数的估计方法3.2基于模型的估计方法3.2.1SIR模型及其衍生模型SIR模型作为传染病动力学中的经典模型，在传染病传播研究中具有重要地位。它基于一系列假设，将人群分为三个相互关联的类别：易感者（Susceptible,S）、感染者（Infectious,I）和移出者（Removed,R）。假设人口固定，在研究期间没有自然出生和死亡情况；人群处于均匀混合状态，即每个人都有相同的概率接触到其他任何人；易感者一旦接触到感染者，就会立即被感染；移出者在研究期间内具有免疫力，不会再次被感染。基于这些假设，SIR模型可以用以下微分方程组来描述：\begin{cases}\frac{dS}{dt}=-\betaSI\\\frac{dI}{dt}=\betaSI-\gammaI\\\frac{dR}{dt}=\gammaI\end{cases}其中，S、I、R分别表示易感者、感染者和移出者的数量；\frac{dS}{dt}、\frac{dI}{dt}、\frac{dR}{dt}分别表示S、I、R随时间t的变化速率；\beta为传染率系数，表示单位时间内一个感染者能够传染易感者的概率；\gamma为移出率系数，表示单位时间内感染者康复并获得免疫力成为移出者的概率。在SIR模型中，基本再生数R_0与模型参数\beta和\gamma存在着密切的关系，其计算公式为R_0=\frac{\beta}{\gamma}。这一公式的推导基于模型的假设和传染病传播的基本原理。从公式中可以看出，\beta越大，意味着感染者传染易感者的能力越强，R_0也就越大；\gamma越大，说明感染者康复的速度越快，R_0则越小。以麻疹疫情传播为例，更能直观地体现SIR模型的应用。麻疹是一种传染性极强的急性呼吸道传染病，在疫苗广泛接种之前，常常在人群中引起大规模的传播。假设在一个封闭的社区中，人口总数为N=10000人，初始时只有1个麻疹感染者（I_0=1），其余均为易感者（S_0=N-I_0=9999），移出者数量为0（R_0=0）。根据麻疹的传播特性，设定传染率\beta=0.3，移出率\gamma=0.1。通过求解SIR模型的微分方程组，我们可以得到易感者、感染者和移出者数量随时间的变化情况。利用Python中的egrate.odeint函数进行数值求解，代码如下：importnumpyasnpfromegrateimportodeintimportmatplotlib.pyplotaspltdefsir_model(y,t,beta,gamma):S,I,R=ydSdt=-beta*S*IdIdt=beta*S*I-gamma*IdRdt=gamma*Ireturn[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()fromegrateimportodeintimportmatplotlib.pyplotaspltdefsir_model(y,t,beta,gamma):S,I,R=ydSdt=-beta*S*IdIdt=beta*S*I-gamma*IdRdt=gamma*Ireturn[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()importmatplotlib.pyplotaspltdefsir_model(y,t,beta,gamma):S,I,R=ydSdt=-beta*S*IdIdt=beta*S*I-gamma*IdRdt=gamma*Ireturn[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()defsir_model(y,t,beta,gamma):S,I,R=ydSdt=-beta*S*IdIdt=beta*S*I-gamma*IdRdt=gamma*Ireturn[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()S,I,R=ydSdt=-beta*S*IdIdt=beta*S*I-gamma*IdRdt=gamma*Ireturn[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()dSdt=-beta*S*IdIdt=beta*S*I-gamma*IdRdt=gamma*Ireturn[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()dIdt=beta*S*I-gamma*IdRdt=gamma*Ireturn[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()dRdt=gamma*Ireturn[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()return[dSdt,dIdt,dRdt]#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()#参数设置N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()N=10000beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()beta=0.3gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()gamma=0.1I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()I0=1S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()S0=N-I0R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()R0=0y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()y0=[S0,I0,R0]#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()#时间范围t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()t=np.linspace(0,160,160)#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()#求解微分方程solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()solution=odeint(sir_model,y0,t,args=(beta,gamma))S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()S,I,R=solution.T#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()#绘制结果plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()plt.figure(figsize=(12,6))plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()plt.plot(t,S,'b',label='Susceptible')plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()plt.plot(t,I,'r',label='Infectious')plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()plt.plot(t,R,'g',label='Removed')plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()plt.xlabel('Time(days)')plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()plt.ylabel('Numberofpeople')plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()plt.title('SIRModelSimulationofMeaslesEpidemic')plt.legend()plt.grid(True)plt.show()plt.legend()plt.grid(True)plt.show()plt.grid(True)plt.show()plt.show()运行上述代码，得到的结果如图1所示：从图1中可以清晰地看到，随着时间的推移，易感者数量逐渐减少，因为他们不断被感染；感染者数量先迅速增加，在大约第50天达到峰值，随后逐渐减少，这是由于感染者不断康复成为移出者；移出者数量则持续增加。通过计算，该麻疹疫情的基本再生数R_0=\frac{\beta}{\gamma}=\frac{0.3}{0.1}=3，这表明在没有任何干预措施的情况下，一个麻疹感染者平均能够传染3个人，与实际情况中麻疹的传播能力相符。SIR模型在理解传染病传