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[ 1］．南非于2021年11月24日向世界卫生组织(WHO)报告了Omicron，世卫组织于2021年11月26日将其列为VOC [ 2， 3.］．来自南非的Omicron的早期报道使传染病科学家感到震惊，因为它在人群中迅速传播，而且刺突蛋白的分子分化程度很高[ 4， 5］．尽管有血清学证据表明60%-80%的南非人之前感染过SARS-CoV-2或接种过疫苗，但Omicron在南非人口中迅速传播[ 6］．与之前的变体相比，Omicron能够更好地逃避自然和疫苗诱导的免疫[ 7， 8］．最终发现，就感染和症状而言，它比其他VOCs要轻[ 9]，特别是那些接受了2种信使RNA (mRNA)疫苗和加强剂的人[ 10］．然而，与Delta相比，Omicron疫苗在传播方面的估计有效性仍较低[ 11］．与不接种疫苗相比，全mRNA疫苗接种加增强剂导致死亡和住院人数减少70% [ 12- 14］．随着传播率的提高，病例数开始创下每日记录[ 15]随着欧米克隆VOC传播SARS-CoV-2，卫生系统不堪重负[ 2， 16］．

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[ 17， 18］．早期研究表明，与Delta、Alpha、Beta和原始参考菌株(D614)相比，Omicron VOC在爆发前的预警天数更少[ 19］．到2022年初，欧米克隆的日新传输数量明显创下两年来的新高，取代达美成为最具传输性的VOC [ 19］．此外，Omicron感染比Delta有明显的增长优势，新病例翻倍期为1.5-3天[ 20.， 21］．以顶点来衡量，这次爆发的规模比以前的爆发高1.5至2倍[ 19］．

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[ 19］．然而，在欧米克隆到来之前，这些国家的病例数相对较低。随着Omicron传播到已经经历三角洲病毒社区传播高发的国家，尚不清楚疫情的发展轨迹是否会改变。一方面，为抗击正在发生的疫情而采取的缓解政策努力，再加上人群中自然免疫力较高的频率，可以降低随后疫情的规模[ 22］．另一方面，先前存在的疫情可能预示着潜在的因素(缓解措施的严格程度、天气等)，这些因素有利于具有更大传播变异的大规模疫情[ 23- 25］．在这项研究中，我们比较了社区传播程度较低的三角洲病毒国家和已经处于三角洲病毒驱动疫情的国家之间Omicron疫情的轨迹/趋势[ 19］．

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[ 26]和全球共享禽流感数据倡议(GISAID)，以确定挥发性有机化合物[ 27］．我们使用趋势分析对数据进行建模[ 28- 37]，生存曲线[ 38， 39]，以及动态面板回归[ 40， 41］．我们在R版本4.1.1 (R Foundation for Statistical Computing)中使用 plm(2.4版本1), 生存(3.2-13版)，以及 survminer(0.4.9版本) 42- 45］．样本期为2021年11月1日至2022年2月11日。

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[ 27］．我们使用Nextclade命名法[ 46]从SARS-CoV-2的序列和穿山甲命名法中收集谱系名称[ 47， 48］．我们还将流行率数据与从outbreak.info编译的数据进行了对比[ 49］．我们将国家分为两组:(1)在欧米克隆病毒开始日期超过每10万人每天10例新冠病毒传播阈值的疫情国家(由GISAID中首次出现欧米克隆病毒分支定义);(2)在欧米克隆病毒分支首次出现时低于这一传播阈值的非疫情国家。爆发阈值遵循美国疾病控制和预防中心(CDC)通过的公约。

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[ 40］．并非每个国家都有测序数据[ 27，所以我们的样本被限制在80个国家。其中42例(52.5%)在Omicron开始时已处于爆发状态，38例(47.5%)未处于爆发状态。

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[ 39］．我们认为任何一个国家，其最高速度出现在样本的最后日期，将被审查。我们还对几个邻国进行了趋势比较，其中至少有一个国家属于暴发组，另一个国家不属于爆发组。

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[ 40， 41］．我们模拟日常小说传输速度的函数和传输1周滞后,以累积感染和疫苗接种率,二进制周末指标,爆发以来ο的天数,三角洲地区爆发以来的天数,二进制指标是否日期是最早的测序后ο变体孤立,和后者之间的交互和指标是否暴发的国家集团。相互作用术语提供了一个测试，用于检验Omicron是否为爆发疫情的国家与非爆发疫情的国家带来了更大的速度增长。

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[ 50］．我们进行了韦尔奇 t测试以比较疫情国家与非疫情组的平均指数得分。

图1是2022年12月15日SARS-CoV-2疫情的地图。在这个时间点上，我们可以看到已经在三角洲暴发的国家，在撒哈拉以南非洲南部暴发Omicron疫情的国家，以及由于将Omicron引入基因库而呈指数级增长的国家。蓝色的国家没有爆发疫情。橙色显示的国家没有疫情爆发，但连续7天出现了令人担忧的增长，如果不加以遏制，很可能会爆发疫情。北美洲、欧洲、中亚以及东亚和太平洋部分地区的红色国家已经处于爆发状态，主要是由三角洲病毒引起的。

表1显示了欧米克隆开始时的速度(或每10万人每天新传播SARS-CoV-2的数量)和样本中所有国家的峰值速度。在欧米克隆到来时，三角洲病毒社区传播水平较高的国家(“已经爆发”)在欧米克隆开始时的平均传播速度为52.6，而在欧米克隆开始时传播水平较低的国家(“未爆发”)的平均传播速度为3.2。平均最高时速分别为308.7及128.6。因此，即使在控制了最初速度上的差异之后，已经处于疫情中的国家在疫情的平均顶点出现了超过两倍的增长(2.04=[308.7 - 52.6]/[128.6 - 3.2])。

图2绘制两组国家的Kaplan-Meier生存曲线[ 39］．“事件”被定义为爆发的峰值速度。我们选择峰值速度而不是疫情结束，因为在撰写本文时，绝大多数样本国家仍处于疫情中。生存曲线表示自Omicron开始(x轴)以来，一个国家在任何给定天数内达到峰值的概率(y轴)。

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[ 38］．我们认为任何一个国家的峰值速度出现在可用数据的最近一天都是“经过审查的”，这意味着我们只知道这个国家至少花了同样长的观察期才达到峰值。Kaplan-Meier方法将这些国家包括在其生存曲线估计中，直到它们被审查，然后它们退出样本。垂直散列标记为in 图2标出这些出口点。

从 图2在美国，已经爆发疫情的国家显然比最初没有爆发疫情的国家需要更长的时间才能达到最终峰值。对数秩检验拒绝了两条生存曲线在。10显著性水平上相等的原假设，但在。05显著性水平上不相等( P= .09点)( 51］．

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， 图3给出了最终峰值速度和Omicron起始速度(y轴)之间的差值作为起始速度(x轴)的函数的散点图。线性最佳拟合线，灰色虚线，显示了启动速度和启动Omicron后累积的额外速度之间的正相关。估计的斜率系数为1.62，在0.01水平上具有统计学意义 P值为。002。

图3在y轴上绘制起始速度和峰值速度之间的差值，因为峰值速度本身在机械上是起始速度的函数。起始速度不能超过峰值速度。如果疫情在欧米克隆到达后立即发生，则峰值速度与发病速度完全相等。 图3因此，在首次分离欧米克隆时具有高发病速度的国家，在欧米克隆发病后往往具有更高的峰值速度。在欧米克隆之后，较高的初始速度与较高的生长速度相关。

图2而且 3.表明在已经经历三角洲疫情的国家，欧米克隆病毒引发的疫情需要更长的时间才能达到相对较高的峰值速度。这两个数字都没有控制潜在的重要混杂因素，如人口规模和疫苗接种率。此外，这两个数字都无法控制自欧米克隆开始以来的时间长度。一些疫情可能还没有达到顶峰。

为了控制这些混杂因素， 表2给出动态面板回归的结果[ 41］．该模型改编自一个经经验验证的系统，以提供新的SARS-CoV-2监测指标[ 35， 52， 53］．因变量是新型SARS-CoV-2传播率，它是前一天和过去一周传播率的函数。毫不奇怪,这些 1-day_lag而且 7-day_lag变量是当前传播的积极和统计上显著的预测因素。的系数估计 1-day_lag为0.1，这意味着，在控制其他协变量后，今天每10次SARS-CoV-2传播预测明天每1次传播。的系数估计 7-day_lag是0.7，这意味着本周每传播1次，下周就会预测不到1次。

的 after_omi而且 aft_omi·in_brk变量提供了一个测试，用于测试在欧米克隆病毒爆发期间，在已经经历三角洲病毒爆发的国家中，日速度是否更高。前一个变量是为Omicron开始后的任何日期设置为1的指标，而后者是两者之间的交互作用 after_omi而且 in_brk，如果一个国家在欧米克隆暴发时处于三角洲疫情，则该指标设置为1。的系数估计 aft_omi·in_brk是84.1，在0.05水平上显著。根据解释，在三角洲爆发的国家，在欧米克龙爆发后，平均每10万人的新传播速度增加了21.2(=84.1 - 62.9)。

负系数为-62.9 after_omi“预测者”似乎违反直觉，但有两个因素可以解释这一现象。首先，模型控制 days_since_omi，是自Omicron开始和样本周期结束以来的天数。自Omicron开始以来，每天的预期日传播速度每10万人增加0.8个新传播，这一结果在0.05的水平上是显著的。因此，随着时间的推移， days_since_omi最终会超过 after_omi．第二个因素是三角洲病毒爆发的末期。的负面影响 after_omi只适用于欧米克隆病毒爆发时没有爆发疫情的国家。这些国家最近刚摆脱了三角洲病毒的爆发，而且 after_omi部分反映了欧米克隆病毒爆发之前速度的减速。对于在欧米克隆病毒开始时已经处于疫情中的国家来说 days_since_del_outbrk三角洲病毒爆发时间的可变控制系数0.4意味着在三角洲疫情爆发后，这些国家平均每10万人每天新增0.4例传播。该变量在。10水平上显著，但在。05水平上不显著。

该模型还可以控制周末约会。周末约会指标变量的系数， 周末为负，在0.01水平上有统计学意义。这一结果是意料之中的，因为许多国家未能在周末报告完整的数据。

最后, total_cases_rate而且 total_vacc_rate，分别包含累积既往感染和接种疫苗，以每10万人的比率衡量。上的系数 total_cases_rate在.10水平上没有统计学意义，这是预期的，因为先前的感染对Omicron几乎没有保护作用[ 54］．上的系数 total_vacc_rate在.10水平上也不显著，这是由于Omicron的大量疫苗泄漏所预期的[ 55］．各国疫苗接种率的差异解释了该系数的正值。最严重的Omicron疫情往往发生在疫苗接种率较高的国家。在样本中，在Omicron暴发时已处于疫情的国家的平均疫苗接种率比未处于疫情的国家高出40%以上。

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[ 41］．例子包括公共卫生政策、人口统计、人口密度、文化和历史。动态面板估计自动控制这些因素的程度，他们保持稳定的样本期间。因此，即使在控制了疫苗接种、自Omicron暴发以来的时间、一个国家爆发三角洲疫情的时间(如果在Omicron暴发时存在的话)以及时间不变的、特定国家的因素之后，三角洲疫情社区传播率高的国家的Omicron疫情峰值比三角洲疫情传播率低的国家要大。

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。

图4绘制样本期间加拿大和美国每10万人中新型SARS-CoV-2传播率。垂直的灰色线表示Omicron在每个国家首次测序的日期(虚线为加拿大，实线为美国)。水平灰线表示CDC爆发阈值，以供参考。当一个国家每10万人口中每天出现10例以上的病例时，就属于疫情爆发状态。在欧米克隆病毒爆发之初，加拿大没有爆发，但美国爆发了。

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。

图5绘制2021年5月至2022年2月加拿大和美国SARS-CoV-2样本的测序结果。在此期间，Delta和Omicron VOCs是这两个国家爆发疫情的主要原因。美国测序的SARS-CoV-2样本是加拿大的10倍，但这两个国家遵循大致相似的趋势。

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。

图6为亚美尼亚、阿塞拜疆和格鲁吉亚提供了类似的例证。在亚美尼亚和阿塞拜疆首次进行Omicron测序时，这两个国家都没有处于疫情爆发状态，但格鲁吉亚处于这种状态。格鲁吉亚随后的峰值为543.7，远高于亚美尼亚和阿塞拜疆分别为114.7和69.5的峰值。尽管阿塞拜疆的疫情继续加剧，但最近加速减缓表明该国的疫情已接近顶峰。

图7为哈萨克斯坦和俄罗斯提供了类似的情节。欧米克隆病毒爆发时，哈萨克斯坦没有爆发，但邻国俄罗斯爆发了。俄罗斯最高为124.2，哈萨克斯坦最高为74.0。俄罗斯的新传播仍在继续升级，但最近的加速下降表明该国已接近顶峰。

综上所述, 图4- 7支持更广泛的发现 图2而且 3.与社区传播已经很低的国家相比，在欧米克隆到来时已经爆发疫情的国家持续时间更长，病例数量达到了更高的峰值。然而，这种模式并不总是成立的。以色列是最极端的例外。尽管并非从疫情爆发开始，但该国达到了每10万人1177.3例新发病例的峰值速度，如图所示 图8．尽管如此，这些具体国家的例子为讨论为什么在Omicron开始时已经在三角洲爆发的国家的疫情与最初社区传播较低的国家的疫情具有不同的轨迹提供了背景和指导。

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[ 19］．相比之下，在已经经历三角洲疫情的国家，Omicron疫情达到峰值和减弱的时间相对较长。无论Delta疫情是否在引入Omicron之前达到峰值，还是Delta疫情是否仍呈上升趋势，这一观察结果都成立。例如，加拿大在“欧米克隆”测序之前就达到了峰值，而美国则在之后达到了峰值。在已经处于三角洲病毒爆发的国家中，欧米克隆病毒导致的峰值高出了两倍多。前者国家达到了每10万人口每日308.7例新病例的平均峰值，而后者国家达到了每10万人口每日128.6例新病例的平均峰值 表1)．即使在控制了欧米克隆病毒在特定国家首次发现时大流行的每日速度后，我们发现，在尚未爆发欧米克隆病毒的国家中，欧米克隆病毒的爆发规模略低于Delta传播水平高的国家中欧米克隆病毒爆发规模的一半。

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[ 56］．尽管人们最初认为，在一些国家，高水平的Delta传播可能会削弱Omicron的影响，但我们的数据强烈表明，在已经发生Delta疫情的国家，疫情的峰值速度和强度都更高。

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[ 50］．每日指数取值在0到100之间，得分越高表明国家或地方政府对SARS-CoV-2的应对政策越严格。亚美尼亚、黑山和北马其顿没有该指数，剩下77个(96.3%)国家可供比较。在已有三角洲疫情的国家中，平均得分为49.4分，而在欧米克隆到来时，没有疫情的国家平均得分为48.2分。一个韦尔奇 t检验未能在2组中拒绝相等均值的原假设( P= .68点)。由于每组国家的数量大于30个，检验通过了中心极限定理中近似收敛的常规准则[ 57］．如果一个 P值提供了相对于零假设的强度的粗略分级测量，值表明其他假设可能更符合数据[ 58， 59］．国家组的平均分和一个二元变量之间的Pearson相关系数也很低，为-。04, 95% CI为-0.26 ~ 0.19。皮尔逊系数是衡量变量之间线性相关性的一个指标，这使得它成为检验政策干预作为线性动态面板回归中一个混杂因素的合适选择[ 60， 61］．总而言之，政策差异似乎对这些国家Omicron疫情的不同轨迹解释能力有限。尽管制定的政策可能没有差异，但每个国家的人民坚持这些政策的意愿可能不同，“COVID疲劳”导致执行放松。

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[ 23- 25］．事实上，在2020-2021年冬季，在三角洲或欧米克隆VOC出现之前，这些国家观察到大规模疫情，表明存在独立于变异的季节性趋势。 图9提供类似于 图2但对于那些完全位于北半球的国家和那些不在北半球的国家来说。曲线在几个点上交叉，这意味着有时北半球的疫情需要更长的时间才能达到峰值(从欧米克隆的发病日期开始)，有时南半球的疫情则是这样。的 P日志级别测试的值也高于爆发国家与非爆发国家之间的比较值( P=。40 vs .09). Still, a portion of the Northern Hemisphere survival curve lies beyond the Southern Hemisphere curve, which suggests weather may partly explain why countries already in an outbreak were more adversely impacted by the arrival of Omicron. There is some visual evidence in 图9北半球的疫情持续时间更长。然而，Arellano-Bond方法控制了时不变的、特定国家的因素[ 41］．气候就是这样一个因素，在某种程度上，它对样本中的每个国家都保持不变。在回归估计中，温度混杂因素必须是由样本期间的可变天气条件引起的。

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 而且欧米克隆病毒爆发至少在达美航空被击败之前与之前的VOCs相比，Omicron确实具有更高的免疫逃逸潜力[ 8， 62- 66］．SARS-CoV-2的自然感染对Alpha的再感染产生了强大的保护作用[ 67， 68]， Beta [ 67]和Delta [ 69]，但这种保护在某种程度上有所减弱，尽管对Omicron [ 70， 71］．以前感染过VOCs的人仍然有感染Omicron变体的风险[ 70］．此外，为预防感染SARS-CoV-2而开发的疫苗在预防感染Omicron变体方面的效果稍差[ 72， 73］．然而，尽管欧米克隆在引起突破或再感染方面具有一定的优势，但它也具有很高的传染性，就像Delta VOC一样。因此，这两种变异不太可能存在于独立的人群中，并引起重叠的疫情。这两种VOCs更有可能直接竞争。Omicron的适应性优势使其能够迅速击败达美航空，这反映在基因组监测数据中(例如， 图5)．

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[ 74］．这项作业提供了欧米克隆病毒爆发开始的时间。只要测序数据中分配日期的不准确性是随机且较小的，它们就不应对动态面板估计造成重大偏差。对于大多数国家，重新分配欧米克隆起始日期导致的估计变化可以忽略不计。

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 图3以显示每日SARS-CoV-2传播的初始率与后来的峰值率之间的更广泛关联，这与爆发分类阈值无关。

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[ 75］．

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[ 41］．例如，在样本期间，人类行为中未观察到的变化可能仍然是被忽略的变量偏差的来源。此外，通过半球区分来分析气候无法捕捉到当地天气条件的所有细微差别。温度、风和湿度都可以影响SARS-CoV-2的传播。 24， 25， 76- 78］．同样，通过严格度指数分析当地风险因素和管理能力，也无法捕捉到当地风险和干预措施的所有细微差别[ 79- 81］．

本研究建立在Lundberg等人之前对Omicron VOC的研究基础上[ 19］．最初的研究首次将单一的Omicron疫情与撒哈拉以南非洲由原始SARS-CoV-2变体Beta、Alpha和Delta引起的疫情进行了比较。这项研究比较了欧米克隆抵达时，社区传播Delta VOC高与低的国家的欧米克隆疫情。

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。