这是一篇根据创作共用署名许可协议(https://creativecommons.org/licenses/by/4.0/)发布的开放获取文章,允许在任何媒介上不受限制地使用、分发和复制,前提是正确引用了首次发表在JMIR公共卫生和监测上的原创作品。必须包括完整的书目信息,https://publichealth.www.mybigtv.com上的原始出版物的链接,以及此版权和许可信息。
SARS-CoV-2的Omicron变种比之前关注的变种(VOCs)更具传染性。它造成了疫情中最大规模的爆发,死亡率和住院率都在上升。关于欧米克隆传播的早期数据是在病例数相对较低的国家获得的,因此尚不清楚欧米克隆的到来将如何影响已经经历高水平社区传播的三角洲地区国家的大流行轨迹。
本研究的目的是量化和解释欧米克隆对大流行轨迹的影响,以及欧米克隆发生时处于或未处于三角洲疫情的国家之间的差异。
我们使用SARS-CoV-2监测和基因序列数据将国家分为两组:在该国首次对Omicron进行测序时,处于三角洲疫情(每10万人中至少有10例新的每日传播)的国家和未处于三角洲疫情的国家。我们使用趋势分析、生存曲线和动态面板回归模型来比较两组在2021年11月1日至2022年2月11日期间的疫情。我们根据SARS-CoV-2感染的峰值率和疫情达到峰值所需的时间对疫情进行了总结。
当欧米克隆到来时,已处于爆发状态的主要是三角洲血统的国家需要更长的时间才能达到峰值,与尚未爆发的国家相比,欧米克隆爆发的平均峰值增加了两倍以上(2.04)。
这些结果表明,首次检测到Omicron时,Delta的高社区传播并没有起到保护作用,而是预示着在这些国家发生更大规模的疫情。由于气候、政策和个人行为等重叠因素,疫情状况可能反映一般易感人群。在缺乏强有力的缓解措施的情况下,在这些国家出现一种新的、更具传染性的变种,因此更有可能导致更大规模的疫情。另一方面,具有加强监测计划和激励措施的国家可能更有可能处于疫情状态,并在疫情期间发现更多病例,从而导致虚假关系。不管怎样,这些数据都反对群体免疫可以通过经历了重大抗原转移的变异来缓解未来的疫情。
Omicron(或B.1.1.529)是最新的SARS-CoV-2关注变体(VOC),于2021年11月初在博茨瓦纳首次测序[
Omicron改变了大流行的进程,因为它的传播能力增强,而且它避开疫苗接种或先前感染的免疫的能力相对增强[
在撒哈拉以南非洲的早期观察显示了一种一致的趋势,即欧米克隆病例迅速加速,然后在达到峰值后迅速减速,只有轻微的尾部[
这项研究的目的是量化和解释Omicron对大流行轨迹的影响,以及在Omicron到达时,正在或没有与Delta一起爆发SARS-CoV-2疫情的国家之间的差异。
我们使用SARS-CoV-2监测数据来确定疫情的持续时间和顶点[
为了估计Omicron首次在一个国家出现的日期,我们使用了来自GISAID的关于SARS-CoV-2变种测序的公开数据[
为了最大限度地提高疫情之间的可比性,我们将样本限制在2021年11月1日至2022年2月11日之间。在此期间,所有国家的监测测序主要由Delta和Omicron变体组成,所有其他变体占总序列的比例不到0.03%。
我们排除了人口低于50万的岛屿国家,因为这些国家的疫情轨迹不同[
我们估计了爆发组和非爆发组的Kaplan-Meier生存曲线,以比较一个国家在欧米克隆发病后达到其峰值速度所需的时间长度[
我们使用线性趋势分析来比较爆发组和非爆发组的峰值速度。为了控制人群接种率、先前感染率、Omicron发病时间以及任何时不变的、特定国家的异质性的差异,我们使用Arellano-Bond方法估计了一个动态面板回归模型[
我们通过扩展生存分析,测试了天气驱动的虚假效应导致不同爆发轨迹的可能性。我们比较了南北半球国家暴发的Kaplan-Meier生存曲线。为了解决SARS-CoV-2政策应对作为混杂因素的可能性,我们计算了样本期间每个国家的平均严格指数[
德尔塔和欧米克隆病毒爆发的地图请注意,红色国家是在2022年12月15日爆发疫情的国家,其定义是每10万人中每天至少有10例新型SARS-CoV-2传播。橙色显示的国家没有爆发疫情,但每10万人口的新型SARS-CoV-2传播率连续7天上升。
对Omicron病例索引进行排序时的爆发状态。
国家 | 欧米克隆的速度 | 峰值速度 | 平均速度 | 平均峰值速度 | |||||
|
52.6 | 308.7 | |||||||
|
奥地利 | 154.5 | 374.8 | N/A一个 | N/A | ||||
|
比利时 | 119.3 | 449.9 | N/A | N/A | ||||
|
波斯尼亚和黑塞哥维那 | 13.1 | 73.9 | N/A | N/A | ||||
|
博茨瓦纳 | 39 | 63.9 | N/A | N/A | ||||
|
保加利亚 | 18.7 | 128.7 | N/A | N/A | ||||
|
智利 | 12.4 | 186.2 | N/A | N/A | ||||
|
克罗地亚 | 108.4 | 217 | N/A | N/A | ||||
|
捷克共和国 | 85.2 | 355.5 | N/A | N/A | ||||
|
丹麦 | 67.1 | 807.5 | N/A | N/A | ||||
|
爱沙尼亚 | 38.4 | 520.9 | N/A | N/A | ||||
|
芬兰 | 19.8 | 152.3 | N/A | N/A | ||||
|
法国 | 13.5 | 562.3 | N/A | N/A | ||||
|
乔治亚州 | 83.2 | 543.7 | N/A | N/A | ||||
|
德国 | 58.7 | 231.4 | N/A | N/A | ||||
|
希腊 | 61.6 | 347.6 | N/A | N/A | ||||
|
爱尔兰 | 90.3 | 481 | N/A | N/A | ||||
|
意大利 | 15.8 | 300.7 | N/A | N/A | ||||
|
约旦 | 47.9 | 192.9 | N/A | N/A | ||||
|
黎巴嫩 | 22 | 121 | N/A | N/A | ||||
|
列支敦斯登 | 141.3 | 380.7 | N/A | N/A | ||||
|
立陶宛 | 64.5 | 402.5 | N/A | N/A | ||||
|
卢森堡 | 61.6 | 369.9 | N/A | N/A | ||||
|
马来西亚 | 17.9 | 44.7 | N/A | N/A | ||||
|
马耳他 | 19.7 | 258.8 | N/A | N/A | ||||
|
黑山共和国 | 38.1 | 393.6 | N/A | N/A | ||||
|
荷兰 | 78.1 | 707.1 | N/A | N/A | ||||
|
北马其顿 | 12.8 | 84.6 | N/A | N/A | ||||
|
挪威 | 45.3 | 376.5 | N/A | N/A | ||||
|
波兰 | 61.7 | 129.7 | N/A | N/A | ||||
|
葡萄牙 | 18.6 | 546.8 | N/A | N/A | ||||
|
俄罗斯 | 22.4 | 124.2 | N/A | N/A | ||||
|
塞尔维亚 | 17 | 220.8 | N/A | N/A | ||||
|
新加坡 | 20.4 | 178.7 | N/A | N/A | ||||
|
斯洛伐克 | 200.4 | 413.9 | N/A | N/A | ||||
|
斯洛文尼亚 | 106 | 730.3 | N/A | N/A | ||||
|
西班牙 | 14.4 | 308 | N/A | N/A | ||||
|
瑞士 | 53.1 | 419.1 | N/A | N/A | ||||
|
火鸡 | 27.7 | 122.6 | N/A | N/A | ||||
|
乌克兰 | 16.8 | 85.5 | N/A | N/A | ||||
|
联合王国 | 60.1 | 291.7 | N/A | N/A | ||||
|
美国 | 22.8 | 245.4 | N/A | N/A | ||||
|
越南 | 18.8 | 20.8 | N/A | N/A | ||||
|
3.2 | 128.6 | |||||||
|
阿根廷 | 4.2 | 252.3 | N/A | N/A | ||||
|
亚美尼亚 | 2.5 | 114.7 | N/A | N/A | ||||
|
澳大利亚 | 5.5 | 428.3 | N/A | N/A | ||||
|
阿塞拜疆 | 5.1 | 69.5 | N/A | N/A | ||||
|
巴西 | 4.9 | 89 | N/A | N/A | ||||
|
文莱 | 2.5 | 116.4 | N/A | N/A | ||||
|
加拿大 | 6.4 | 126 | N/A | N/A | ||||
|
哥伦比亚 | 4.2 | 60.1 | N/A | N/A | ||||
|
哥斯达黎加 | 1.7 | 144.1 | N/A | N/A | ||||
|
厄瓜多尔 | 3.3 | 52.1 | N/A | N/A | ||||
|
危地马拉 | 1.2 | 19.4 | N/A | N/A | ||||
|
印度 | 0.8 | 22.6 | N/A | N/A | ||||
|
印尼 | 0.1 | 13.7 | N/A | N/A | ||||
|
伊朗 | 2.8 | 42 | N/A | N/A | ||||
|
伊拉克 | 0.8 | 18.1 | N/A | N/A | ||||
|
以色列 | 5.3 | 1177.3 | N/A | N/A | ||||
|
日本 | 0.1 | 74.2 | N/A | N/A | ||||
|
哈萨克斯坦 | 2.6 | 74 | N/A | N/A | ||||
|
科威特 | 0.6 | 147 | N/A | N/A | ||||
|
墨西哥 | 1.7 | 38.3 | N/A | N/A | ||||
|
摩尔多瓦 | 7.4 | 110.7 | N/A | N/A | ||||
|
摩洛哥 | 0.4 | 20.2 | N/A | N/A | ||||
|
尼泊尔 | 1 | 29.3 | N/A | N/A | ||||
|
阿曼 | 0.2 | 44 | N/A | N/A | ||||
|
巴拿马 | 5.7 | 247.9 | N/A | N/A | ||||
|
秘鲁 | 4.2 | 152.7 | N/A | N/A | ||||
|
菲律宾 | 0.5 | 31.9 | N/A | N/A | ||||
|
卡塔尔 | 4.9 | 142.4 | N/A | N/A | ||||
|
罗马尼亚 | 8.2 | 156.1 | N/A | N/A | ||||
|
沙特阿拉伯 | 0.1 | 16.1 | N/A | N/A | ||||
|
南非 | 0.6 | 39.5 | N/A | N/A | ||||
|
韩国 | 6.4 | 90.1 | N/A | N/A | ||||
|
苏里南 | 4.9 | 169.1 | N/A | N/A | ||||
|
瑞典 | 8.9 | 405.2 | N/A | N/A | ||||
|
泰国 | 9.2 | 18.7 | N/A | N/A | ||||
|
突尼斯 | 1.3 | 79.8 | N/A | N/A | ||||
|
赞比亚 | 0.06 | 21.1 | N/A | N/A | ||||
|
津巴布韦 | 0.2 | 32.4 | N/A | N/A |
一个N/A:不适用。
卡普兰-迈耶生存曲线的一个关键优势在于,它能容纳那些可能尚未达到峰值速度的国家[
从
生存分析回答了一个问题,即在欧米克隆病毒到达时处于或未处于疫情的国家,疫情需要多长时间才能达到峰值。然而,存活曲线没有提供峰的相对大小的信息。为此,
为了控制这些混杂因素,
从欧米克隆到达到爆发高峰的时间。注:如果国家的最高速度出现在样本期的最后一天,则视为审查。图中的交叉哈希表示这些检查点。
欧米克隆到达时的爆发高峰与速度有关。注:没有描述,但包括在趋势线计算中,是以色列的异常国家,它达到了每10万人每天新传播1177.3次的峰值速度,高于第一次在该国测序Omicron时的5.3次。以色列的峰值速度比所有国家的平均值高出约4.5个SDs。
Arellano-Bond动态面板数据估计。
变量 | 系数(SE) |
|
|
0.1 (0.03) | <措施 |
|
0.7 (0.15) | <措施 |
|
-62.9 (35.1) | 07 |
|
84.1 (40.2) | .04点 |
|
0.8 (0.4) | 0。 |
|
0.4 (0.2) | 06 |
|
-13.5 (4.7) | 04 |
|
-1.1 e 03 (2.2 e 03) | 收 |
|
1.3 e-04 (9.4 e-05) | 。 |
一个平衡面板:n=80,
的
负系数为-62.9
该模型还可以控制周末约会。周末约会指标变量的系数,
最后,
在更微妙的一点上,阿雷拉诺-邦德动态面板的技术成就在于它能够控制时不变的、特定国家的因素[
为了进一步研究欧米克隆-德尔塔暴发与欧米克隆暴发之间的差异,我们比较了几个邻国的暴发轨迹,至少有一个国家在欧米克隆暴发时处于德尔塔暴发,而有一个国家不是。
当Omicron在加拿大首次测序时,该国的速度为6.4,而美国在开始日期的速度为22.8。这两个国家随后的峰值速度分别为126和245.4。美国从“欧米克隆号”到达之日起,花了更长的时间才达到峰值,其峰值几乎是加拿大的两倍。
在加拿大和美国爆发。注:竖线表示欧米克隆在各国首次测序的日期。实线和虚线分别对应图例中每个国家的线。
Delta和Omicron VOCs在加拿大和美国的演变。注:y轴表示给定日期每个VOC的序列总数。除了Delta和Omicron之外,VOCs太过罕见,无法在图中描述。VOC:关注的变体。
在2021年夏末和秋初,加拿大和美国的SARS-CoV-2病例中,主要是三角洲支被确定为病毒库的一部分。加拿大爆发了小规模的三角洲疫情,在2021年9月15日至2021年10月7日期间,每天的三角洲病例数略超过每10万人10例。当欧米克隆基因首次测序时,加拿大远低于爆发的门槛。相比之下,美国在2021年7月19日爆发了主要由Delta变种驱动的疫情,并在欧米克隆高峰期间一直处于爆发状态。加拿大后来在12月爆发了疫情,主要是由欧米克隆病毒引起的,但规模大约是美国疫情的一半。尽管这两个国家现在只报告了零星的三角洲新病例,但在2021年12月开始的欧米克隆疫情的大部分时间里,三角洲与欧米克隆重叠。在美国和欧米克隆病毒出现之前,加拿大已经清除了三角洲地区的疫情。
综上所述,
在亚美尼亚阿塞拜疆和格鲁吉亚爆发注:竖线表示欧米克隆在各国首次测序的日期。实线和虚线分别对应图例中每个国家的线。
哈萨克斯坦和俄罗斯爆发疫情注:竖线表示欧米克隆在各国首次测序的日期。实线和虚线分别对应图例中每个国家的线。
在以色列,约旦和黎巴嫩爆发注:竖线表示欧米克隆在各国首次测序的日期。实线、虚线和虚线分别对应图例中每个国家的虚线。
在这项研究中,我们测量了每个国家的大流行轨迹,从对Omicron进行测序的第一天开始,我们比较了先前存在高水平和低水平Delta传播的国家随后爆发的规模和速度。这些国家在首次报告Omicron序列时,根据每10万人口每天新增10例SARS-CoV-2传播的阈值,确定是否处于疫情爆发状态。
我们对欧米克隆到来时未发生疫情的国家(如撒哈拉以南非洲国家和印度)的流行病学曲线轨迹进行了分析,结果显示,这些疫情迅速升级、达到峰值并迅速消退,以一个小尾巴结束疫情[
在Omicron出现之前,Delta VOC占全球病例的97%以上,在2021年11月Omicron出现时,几个国家经历了Delta驱动的疫情。Omicron随后导致疫情爆发,并在每个有基因组监测数据的国家中击败了Delta,目前占全球病例的97%以上[
至少有4个重叠(且不相互排斥)的因素可以解释已经处于三角洲疫情驱动的国家发生更严重的欧米克隆疫情的倾向:(1)政策,(2)气候,(3)流行病学趋势,以及(4)公共卫生基础设施。
首先,先前存在的Delta疫情可能表明了支撑流行病学趋势的无效政策,这些趋势在Omicron疫情期间需要更长的时间来建立、达到峰值和减弱。例如,已经在三角洲地区爆发疫情的国家可能采取了不那么严格的公共卫生措施,这可能会导致欧米克隆病毒到来时传播速度明显加快,峰值也更大。为了探索这种可能性,我们计算了样本期内每个国家的平均严格指数[
第二种解释可能是气候或社会经济条件。大多数仍在三角洲爆发的国家都位于北半球,欧米克隆在冬季到达。如果天气可以影响SARS-CoV-2的传播,那么寒冷地区的国家可能会出现更大规模的任何变种疫情[
从欧米克隆到达到各半球爆发高峰的时间。注:地理区域完全位于北半球的国家被包括在北半球组。所有其他国家都被包括在南半球。
第三种可能的解释是,Omicron增强了感染接种者的能力,导致与Delta病毒在略有不同的人群中重叠爆发,增加了总病例数。与其说是欧米克隆病毒引起的爆发,不如说是三角洲病毒的爆发
第四个可能的解释是,疫情爆发国家的公共卫生基础设施使他们能够更好地(1)实时跟踪病例,(2)准确确定欧米克隆病毒到达的最早日期,以及(3)跟踪病例的主要激增。首先,考虑到SARS-CoV-2的爆发阈值为每10万人每天传播10例,一个病例跟踪更好的国家更有可能处于爆发状态。其次,基因组监测的更高采样可能会导致相对于最终的峰值,更早地检测到Omicron。第三,具有更好检测基础设施的国家可以在病例激增的情况下处理更多检测,而其他国家可能过早地受到能力限制。综上所述,这3个因素可以解释疫情国家与非疫情国家的观察结果。
不论在先前已暴发三角洲病毒的国家,欧米克隆病毒爆发高峰和速度较高的原因是什么,显然,三角洲病毒的高社区传播并没有大大降低人口对欧米克隆病毒的易感程度。首先,在Omicron出现时,三角洲地区爆发疫情的国家的病例数仍远低于引发群体免疫所需的数量。其次,即使基于疫苗的免疫或自然免疫的时间足够长,足以达到针对特定变体的群体免疫,SARS-CoV-2的抗原转移可能会继续推动免疫逃避,这一点在其他RNA病毒中已得到充分证明。话虽如此,尽管Omicron导致了许多突破性感染和再感染,但其中绝大多数只导致了轻微的疾病。因此,尽管许多国家的病例数达到了创纪录的峰值,但越来越多的受保护人群免受严重疾病的感染可能会导致从大流行病毒向地方性病毒的转变。
许多国家无法获得测序数据,这些国家未被包括在本研究中。然而,仍有足够多的国家(N=80)在统计上研究为什么已经经历三角洲疫情的国家的欧米克隆疫情在规模和持续时间上明显大于仅使用欧米克隆的疫情。
我们还知道,对每个国家的欧米克隆指示病例进行测序可能无法捕捉到欧米克隆首次到达的最早日期或导致病例最终爆发的持续传播[
我们承认疾病预防控制中心对疾病爆发的分类阈值有些武断。与CDC阈值率(每10万人口每天10例SARS-CoV-2传播)的微小偏差既不会对样本中的大多数国家进行重新分类,也不会对估计值造成重大变化。更大的偏差自然会。为了解决这一点,我们还包括
由于我们是在尽可能接近实时的情况下撰写这项研究,卡普兰-迈埃生存曲线可能包含一些不准确的地方。具体而言,如果峰值速度发生在样本期的最后日期之前,则疫情可能在未来逆转其降级趋势,并达到新的更高的峰值速度。
动态面板估计的二阶自相关检验拒绝了不可观察误差分量中零自相关的零假设。虽然一阶自相关检验中的拒绝是Arellano-Bond一阶差分运算的共同特征,但二阶检验中的拒绝表明误差分量中的自相关导致的系数估计可能存在偏差[
最后,尽管我们解决了几个可能的混杂因素,但Arellano-Bond方法控制了时不变的、特定国家的变量[
本研究建立在Lundberg等人之前对Omicron VOC的研究基础上[
尽管我们可能需要数年时间才能完全了解不同SARS-CoV-2变体之间的相互作用,但鉴于先前病例数的差异,这些数据可能会为国家组之间的趋势提供信息,从而有助于预测未来变体的轨迹。虽然Omicron一直被强调是一种危害较小的变种,但由于其传染性增强和迅速传播,它每年都造成发病率和死亡率的记录。在Omicron到达一些国家之前,Delta的高度社区传播并没有干扰Omicron的传播,而是预示着在更具传播性的变种到达后,将发生更大的疫情。
疾病控制和预防中心
共享禽流感数据全球倡议
信使核糖核酸
关注的不同
世界卫生组织
本研究由未来粮食保障计划通过美国国际开发署(USAID)提供支持,合同条款为7200LA1800003,由西北大学的可持续集约化合作研究未来粮食保障创新实验室(Grant AID-OAA-L-14-00006)和堪萨斯州立大学提供。本文仅代表作者个人观点,并不代表美国国际开发署或任何其他组织的观点。
没有宣布。