本研究的样本收集于2021年3月21日至2021年12月1日。纳入标准是从疑似感染COVID-19的个人身上获得的样本，并被转介到伊朗德黑兰的一个实验室以确认诊断。记录所有转到实验室进行RT-PCR检测的患者的每日Ct值结果。从伊朗德黑兰省COVID-19患者信息登记系统中提取9个月的每日阳性病例数和按年龄组划分的住院人数。

本研究包括上呼吸道样本(包括鼻咽和前鼻孔拭子样本)，使用无菌涤纶薄拭子(塑料或铝柄)作为主要测试样本。样本由医生、护士、实验室专家和其他经过足够培训和经验的工作人员收集。所有生物样本都被送往伊朗德黑兰的伊朗医学大学分子诊断实验室。所有样品均采用Pishtazteb One-step RT-PCR COVID-19试剂盒(双靶基因诊断)进行分析，RNA提取采用Zybio核酸提取试剂盒(磁珠法)进行。为确认诊断，靶基因为SARS-CoV-2核衣壳基因和RdRp基因[ 17］．对每个样本，记录Ct值。记录RT-PCR检测阳性且Ct值≤37的样本，测定每日平均Ct值。

由于本研究未使用个人数据，因此不需要正式的伦理评估或知情同意。该研究得到了伊朗医学科学大学伦理委员会的批准(伦理代码:IR.IUMS.REC.1400.799)。

表1显示分析中包含的研究变量的描述性统计数据。Ct值的最小值与2021年4月11日有关，住院患者的最大频率与2021年8月23日有关。在过去9个月里，有80882份COVID-19阳性检测报告提交给伊朗德黑兰伊朗医学科学大学分子诊断实验室。

图2为Ct值的时间变化趋势，以及9个月来住院人数、阳性检测人数、新冠肺炎死亡人数、5岁以下住院人数、5-17岁住院人数、18-59岁住院人数、60岁以上住院人数的变化趋势。与先验假设相似，日平均Ct值与每日住院人数、每日新冠肺炎检测阳性次数(有时间延迟)、每日新冠肺炎死亡人数、各年龄组每日住院人数呈负相关。如 图2，平均日Ct值与每日COVID-19住院患者数、每日COVID-19阳性检测数和每日COVID-19死亡人数之间存在约28-32天的时间延迟。

表2显示了研究变量的最佳ARIMA模型。与其他模型相比，ARIMA(1,0,1)模型的日平均Ct值表现最佳，BIC值、日住院人数、日阳性检测次数均最低。ARIMA(1,0,2)模型是COVID-19日死亡人数的最佳模型。所有模型均具有最少的显著估计参数，残差分析显示使用AIC所选ARIMA模型具有良好的拟合(方差的正态性和稳定性)。研究变量中没有季节性模式。ADF检验用于评估均值稳定性，Box-Cox检验用于检验方差的时间序列稳定性。日住院人数按年龄划分的时间序列方差不稳定，故对该变量进行对数变换。

图3为研究变量与Ct值之间的交叉相关。在该图中，不考虑负滞后，因为负滞后表明研究变量可能在以后的时间点影响某一时期的平均Ct值;因此，用正滞后来表示未来Ct值对研究变量的影响。在预处理后的输入和输出序列之间执行互相关函数。 表3显示Ct值与研究变量之间的最佳滞后差。采用AIC、SBIC、HQIC等指标对所选滞后进行检验。没有统计学意义(所有 P平均Ct值与每日5岁以下住院人数和5-17岁住院人数之间的滞后(时间延迟)>.05)。然而，平均Ct值与住院患者数量之间存在显著23天的滞后。COVID-19检测阳性的日计数以及COVID-19死亡的日计数与平均Ct值有30天的显著滞后。

用互相相关分析得到日Ct值与其他变量之间的最佳滞后后( 表3)，利用ARIMAX计算所选滞后的影响系数。 表4显示延迟30天的Ct值可能会影响COVID-19检测阳性的每日数量和COVID-19的每日死亡人数。具体而言，Ct值下降可能导致30天后新冠病毒检测阳性的平均数量增加约16.87倍。此外，随着Ct值的下降，30天后每天死于COVID-19的人数将增加约1.52倍。Ct滞后(23天)与COVID-19住院次数之间存在显著系数。对于18-59岁和60岁以上的患者，Ct值与23天延迟和COVID-19住院次数也有显著相关性。

Ct值是病毒载量的一个很好的代表，它可以提供隔离病毒载量较高(Ct值较低)的人以及过去5天与这些人有过接触的人以降低传播率的可能性[ 11］．因此，Ct值可以很好地预测未来疾病进程的状态。本研究探讨了sars - cov -2阳性RT-PCR检测Ct值的种群分布与COVID-19动态的关系。结果表明，日平均Ct值与新冠肺炎动态的3个研究变量(日住院人数、日检测阳性数、日死亡人数)呈显著负相关。Ct值可以提前30天预测新冠肺炎阳性病例数量的流行曲线峰值。

这一结果与Walker等人的研究结果一致[ 21表明人群水平Ct值的下降先于SARS-CoV-2阳性检测的增加。另一项研究显示，个人Ct值与COVID-19症状严重程度呈负相关[ 25］．一些研究集中在人群水平Ct值作为预测大流行激增的指标的影响上。与本研究一致，Tso等人[ 26]显示，在埃尔帕索大地区，每日Ct中位数与每日阳性检测计数、每日传播率和每日COVID-19住院人数呈负相关;他们还显示，每日Ct中位数与每日COVID-19住院人数之间存在33天的显著时间延迟。在本研究中，我们发现日平均Ct值与18-59岁和60岁以上住院COVID-19患者数量之间存在显著的23天时间延迟。前一个年龄组是主要劳动力，因此更有可能接触并感染SARS-CoV-2病毒。巴肯等[ 27]的研究结果显示，各年龄组间Ct值平均值有统计学差异，但80-89岁患者的Ct值略低。根据伊朗的一项流行病学研究，大多数住院的COVID-19患者年龄在50-60岁之间[ 28］．在本研究中，日平均Ct值与5岁以下COVID-19患者数量之间的关系不显著。

海等[ 16]利用人群水平Ct值的数学模型估计了美国马萨诸塞州的流行轨迹，并发现不断增加的流行波将伴随着高病毒载量(较低Ct值)的近期感染患者的高频率，而当老年感染患者数量较多时，流行波则出现下降。因此，在SARS-CoV-2流行期间，从疾病护理系统获得的Ct值可以短时间内确定流行过程的过程[ 16］．本研究利用ARIMAX模型研究Ct值延迟时间对COVID-19阳性检测数的影响，发现人群水平平均Ct值与COVID-19阳性病例数之间存在30天的延迟。

用于测量不同地理区域人群水平Ct值的Ct值的测量方式或数据集质量保证的差异，可能会影响Ct值预测当地COVID-19流行波的效力。以往的研究表明，监测样本的群体水平Ct值的变化可能导致疾病爆发[ 16， 29］．有一种假设认为，如果仅使用有临床症状且检测呈阳性的患者计算每日平均Ct值，则更容易发现每日Ct值与COVID-19病例之间的相关性;因此，Ct值的下降可能与COVID-19患者数量的增加密切相关。为了验证这一假设，本研究仅使用有症状患者的Ct值来计算每日平均Ct值。

人群日平均Ct值与SARS-CoV-2检测阳性次数和时间延迟有关。在降低日平均Ct值30天后，预计新冠肺炎病例将增加。找到一个可以预测社区疫情激增的良好指标，对改善COVID-19监测至关重要。更快地预测新一波疾病将有助于卫生政策制定者启动适当的公共卫生政策，如实施封锁，以减少预期的大流行激增，并将为卫生系统提供机会，满足药品和设施的需求，以支持更多的患者。