第七章
传染性疾病预测：禽流感为何会突然爆发，又突然消失？

每年 1 月，流感都会准时地在新泽西州迪克斯堡陆军基地蔓延，几乎成了一种惯例。绝大多数美国士兵每年都会回家过圣诞节，他们分散到全美各个角落休冬假。假期结束回到基地时，这些士兵个个膘肥体壮，精神饱满，但同时也把各自家乡盛行的流感病毒带回营队。若美国上下流感肆虐，那么士兵们很可能将病毒带回军营。军营的生活环境狭窄，毫无隐私和个人空间，如果某位患上流感的士兵回营，很容易就会传染给战友，几乎没有哪个地方比军营更适合病毒的传播了。

通常，这样的流感并不足以引起重视，每年一月和二月，美国都会有几千万人患上流感，但死亡病例却微乎其微。年轻健康的戴维·李维斯是一个罕见的例外，这位来自马萨诸塞州西艾希利的 19 岁的二等兵于 1976 年 1 月回到迪克斯堡后，不幸患病去世。当时队伍中李维斯病得最厉害，上级命令他留在营房休息，但他坚持同战友一起穿越新泽西中部白雪覆盖的沼泽区，完成 80 公里的行军。1976 年是美国建国两百周年，“水门事件”和越南战争之后，美国上下亟须良好的秩序和严明的纪律，在这样的大环境下，李维斯不想让发烧这点小事打乱自己的训练。

可不幸的是，李维斯再没能回到军营：行进到 21 公里处时，他突然倒下，随后被宣告死亡。尸检报告表明，李维斯肺部充血，死于急性肺炎，这是一种常见的流感并发症，通常不会导致李维斯这样健康的年轻人死亡。

而迪克斯堡的军医当时已经对那年的流感病毒高度紧张了。尽管数百名患病的士兵被检测出感染了甲型病毒维多利亚株（这是那年在全世界传播的一种常见的、危害不大的病毒），但还是有一些士兵和李维斯一样感染了一种显然严重得多的未知流感病毒。患者的血样已被送往亚特兰大的疾病控制中心作进一步检测。

两周后，疾病控制中心公布了这一种神秘病毒的类型，它并非新型病毒，而是令人更加不安的多种病毒混合体，这种由旧病毒衍生出的“恶魔”名为 H1N1 流感病毒。H1N1 病毒曾导致美国现代史上最严重的流行疾病：1918~1920 年的西班牙流感，这场流感导致全世界 1/3 的人感染，5 千万人丧生，其中包括 67.5 万名美国人。无论由于科学还是迷信的原因，这些数据的公开都让美国流行病学界不寒而栗。1918 年流感最早的迹象也出现在一个军事基地，堪萨斯州的莱利堡基地，当时士兵正为参加第一次世界大战作准备。另外，1976 年时有一个观点——基于非常脆弱的科学证据——认为大约每 10 年就会爆发一次严重的流感。1938 年、1947 年、1957 年和 1968 年都发生过大流感，那么，1976 年应该也会爆发一次。

于是，骇人听闻的预测接踵而至。美国疾病控制中心确定这种新型病毒为 H1N1 后，并没有立刻引起公众的关注，因为流感季节已经结束。但很多科学家害怕接下来那个冬天会出现更可怕的情况。一位资深的医生告诉《纽约时报》，从未有哪种新型的流感病菌会败给它的对手，未能雄霸全球：但甲型病毒维多利亚株这样弱小的病毒根本就没有办法战胜更加厉害、聪明的对手。若此次 H1N1 病毒和 1918 年那次一样致命，后果将不堪设想。美国总统杰拉德·福特任期内的卫生部部长 F·戴维·马修预测会有 100 万名美国人死亡，1918 年的人口死亡总数与之相比真是“小巫见大巫”了。

福特总统在困境中挣扎着。像时尚产业一样，疫苗产业至少需要 6 个月的生产周期才能知道新疫苗对新一季的流感是否有效，这一过程每年的变动不大。突然要求这个产业生产对付 H1N1 的疫苗，尤其是产量还得足够供全美国使用，这个行业必须马上行动起来才行。同时，福特还得努力修正他在公众心中迟钝、不自信的形象——每周末热播的《周六夜现场》中切维·查斯的“恶搞”，使总统的这一形象越来越深入人心。所以，这次福特总统迈出了坚定的步子，他要求美国国会批准生产两亿支疫苗，并命令在全美推行大规模接种疫苗计划，这是继 20 世纪 50 年代乔纳斯·索尔克研发出小儿麻痹症疫苗后美国第一次大规模接种疫苗的行动。

新闻媒体将这次大规模接种疫苗行动描述成一场赌博。福特则认为这是在金钱和生命之间下注，而他选择了正确的一方。美国国会两院都以压倒性多数票通过了这几项耗资 1.8 亿美元的计划。

到了夏天，人们对美国政府的计划产生了强烈质疑。尽管美国的夏季是流感低发期，但此时的南半球正处在冬季，通常这个季节是那里的流感高发期。但从新西兰的奥克兰到中美洲的阿根廷，都毫无 H1N1 病毒的踪迹，相反，温和常见的甲型病毒维多利亚株卷土重来，再次成为主要病菌。的确，全球已确诊的 H1N1 就只有发生在迪克斯堡的约 200 个病例，死亡的只有二等兵李维斯一例。于是，指责和批评从四面八方纷涌而来：从美国疾病控制中心的副主任到世界卫生组织，从著名的英国医学期刊《柳叶刀》到《纽约时报》的社论专版（该专版那时就认为 H1N1 的威胁是一个“错误警报”），到处都在指责这项计划。其他西方国家并没有像美国这样采取激烈的手段应对这种新型病毒。

然而，福特政府并不承认他们高估了这次流感的威胁，相反，他们还“变本加厉”，准备了一系列让人心惊肉跳的公益广告，当年秋天在美国国内的多家电视台定期滚动播放。其中一条广告讽刺了那些拒绝注射疫苗的人的天真无知，画面中一个谢顶的普通男子说:“在你见过的 55 岁的人当中，我是最健康的，每周末我都打高尔夫球。”然后，镜头便切换成几天后他在病榻上弥留之际的画面，这就是拒绝接种疫苗的结果。还有一则广告，一位女讲解员在缓缓地向人们展示病毒的传播途径，那种小心翼翼的口吻让人觉得这种新型病毒仿佛是某种性传染病——“贝蒂的妈妈把病毒传播给了出租车司机……司机又传染给一位迷人的空姐……她又将病毒传染给朋友多蒂，多蒂有心脏病，病毒夺去了她的生命。”

这些滑稽可笑的公益广告旨在传递一条非常严肃的讯息：要心存畏惧！美国民众对此心领神会，然而，他们对这种疫苗的恐惧丝毫不亚于对这种疾病本身的恐惧。纵观美国历史，凡美国政府实施全面注射疫苗时总会引起过度恐慌。但这次公众的疑虑似乎是有理有据的。1976 年 8 月，由于多家医药公司施压，美国国会和白宫同意，万一产品出现制造缺陷，可免除医药公司的法律责任。政府部门的这一决定被广泛解读为缺乏自信的做法，好像当时正忙着赶制疫苗，根本就没有足够的时间对其进行检测。那个夏天的民调显示，只有约 50%的美国人打算接种疫苗，远低于政府设定的接种率为 80%的目标。

到了 1976 年 10 月，疫苗接种计划正式开始，民众的不安情绪也随之达到最高点。10 月 11 日，匹兹堡报出有 3 位老人接种流感疫苗后不久便去世了，俄克拉荷马也报出两名老人注射疫苗后死亡，劳德岱堡也有一例类似状况发生。但是，没有证据显示这些死亡和疫苗接种有直接关系，毕竟每天都有老人离世。但是，由于人们对政府疫苗计划心存顾虑，加之媒体对这些统计数据居心叵测的理解，每报出一个与流感疫苗有关的死亡案例，都会引发民众的惊恐，甚至连全美最受信任的沃尔特·克朗凯特都一改其谨言慎行的常态，劝诫媒体不要再用那些耸人听闻的方式作新闻了，然而这些都无法让民众冷静下来。匹兹堡和其他很多城市已经关闭了疫苗注射诊所。

到秋末时，又出现了另外一个新的问题，这个问题比上次（老人注射完疫苗之后死去）的问题严重得多。大约有 500 名病人在接种完疫苗后开始出现吉兰·巴雷综合征的病症，吉兰·巴雷综合征是一种罕见的神经系统疾病，会引发瘫痪的自身免疫性疾病。这一次的统计数据更具说服力：在普通人中，吉兰·巴雷综合征的发病率只有百万分之一，而接种疫苗的人患病概率是普通人的 10 倍，也就是说 5 000 万人中就有 500 人患病。尽管科学家还未查明接种疫苗会引起吉兰·巴雷综合征的原因，但是紧急的疫苗生产计划引发的制造性缺陷似乎成了合理的指控对象，医学界一致认为应该永远停止接种疫苗计划，但直到 12 月 16 日美国政府才下令停止。

最终，迪克斯堡爆发的 H1N1 病毒被完全隔离，之后美国再无确诊病例。同时，普通流感病毒甲型病毒维多利亚株导致的死亡人数也低于 1976~1977 年冬季各类事故死亡人数的平均值。一切针对 H1N1 采取的措施似乎都是无事生非。

很快，人们就给这次事件起了一个名称——H1N1 惨败记。对于当时的福特总统而言，这次事件就是一场彻头彻尾的灾难，在 1976 年 11 月的美国总统大选中，福特败给了民主党成员吉米·卡特。那些药品生产商此前已经获得免责权，将超过 26 亿美元的巨额赔偿责任完全推给了美国政府。而且，几乎每家地方报纸都会刊登这类故事：某位贫穷的女服务生或学校教师为了履行义务，去接种了疫苗，却不幸患上了吉兰·巴雷综合征。随后两三年，愿意接种流感疫苗的美国民众的数量缩减，人数降到了 100 万左右，这样一来，如果 1978 年或 1979 年发生了一次大规模的流感，美国就非常有可能陷入极端危险的状况中。

当时的美国总统福特对 H1N1 新型流感病毒的处理，从很多方面来说都是不负责任的。福特以 1918 年的流感类型来推测此次流感病毒爆发的可能性，完全无视医学专家的建议。当时的专家认为，如此严重的情况发生的概率不可能超过 35%，且极有可能只有 2%。

究竟是什么原因导致 H1N1 新型病毒突然爆发，随后又突然消失？这个问题至今仍未明确。33 年后，H1N1 病毒再次爆发，这一次关于该病毒的预测并没有比之前准确。2009 年 H1N1 流感爆发时，科学家们一开始并没有识别出这种病毒，而在检测结果出来之后，他们又过高地估计了这一病毒的危害。

人们又一次高估了 H1N1 的致命率

流感病毒借助鸟类这一寄主永生不灭，尤其是信天翁、海鸥、野鸭、天鹅和大雁这类海洋鸟类，它们带着病毒的基因在不同大陆之间迁徙，这些鸟很少染上疾病，却把病毒传播给其他物种，尤其是猪和鸡这类人类在日常生活中随处可见的家禽。鸡患上流感后，往往能战胜病毒存活下来，却会把病毒传给饲养者。猪的情况也是如此，因为它们不仅容易染上人类或是鸟类的病毒，其自身还会产生病毒，猪为不同种类的病毒混杂变种提供了孕育的温床。

某一区域若满足以下 3 个条件，就会成为 H1N1 病毒的完美孵化器：

1.人、猪毗近，也就是说，猪肉是日常饮食中的主食。

2.靠近海洋，猪和越海迁徙的鸟类可能发生接触。

3.很可能位于发展中国家，由于国家贫穷、个人卫生和公共卫生水平较低，动物病毒更易传播给人类。

上述 3 个条件正好描绘出东南亚许多国家的现状，比如中国、印度尼西亚、泰国和越南（仅中国现存猪的数量就占世界数量的 1/2）等国。这些国家通常都是流感的源头，从每年常见的流感类型到特殊的变体，而后者可能引起全球性的流行病。所以，这些国家成了医学界关注的对象，尤其是近些年，由于担忧新型病毒会爆发，医学界更加关注这些国家了。H5N1 病毒，俗称禽流感，已经在东南亚地区酝酿了许多年，一旦发生突变，极其容易致命。

然而，这些情况并非亚洲独有，世界上其他地区也有类似情况，比如墨西哥的维拉克鲁斯。维拉克鲁斯毗邻墨西哥湾，同为发展中国家的墨西哥，传统饮食中猪肉的比例很大。此前几乎没有科学家在维拉克鲁斯探寻流感的迹象，但是，2009 年 H1N1 病毒就是在这里爆发的。

2009 年 4 月底，科学家收到很多关于维拉克鲁斯和墨西哥其他地区 H1N1 疫情的数据统计。墨西哥共报出 1 900 例 H1N1 的病例，死亡数量达 150 例，死亡率达到 8%。这个比率已经超过了西班牙流感的致死率。而且，死亡病患多数为年轻、健康的成年人，这是重大疾病爆发的一大特征。另外，该病毒还具有很强的再生能力，除了墨西哥和美国，在加拿大、西班牙、秘鲁、英国、以色列、新西兰、德国、荷兰、瑞典和冰岛等国也都检测出该病例。

H1N1 病毒顷刻之间（而不是 H5N1）成了令科学家一直以来心存恐惧的超级病毒。整个墨西哥城基本上都被隔离了，许多欧洲国家都提醒其公民不要到墨西哥或美国旅行。中国香港和新加坡因对流感蔓延产生的恐慌情绪，令股市暴跌。

但人们最初的担忧很快就平息下来。尽管 H1N1 病毒在美国传播的速度确实很快——2009 年 4 月 26 日确诊了 20 例，15 天以后患病人数就迅速升至 2 618 例。出人意料的是，大多数病例症状都属于轻度流感，确诊的死亡病例仅为 3 例，与一般的季节性流感危害类似。一周后，美国疾病控制中心就建议学校重新开放。

然而，这种疾病仍在全球继续蔓延，2009 年 6 月，世界卫生组织发布了 6 级流行病预警，这也是最高级别的预警。科学家们担心这次流感会像 1918 年西班牙流感一样，起初患病时症状轻微，但第 2 波和第 3 波发病潮到来时就会变得更加致命（见图 7–1）。2009 年 8 月，美国政府称可能会有 1/2 的美国人感染 H1N1 病毒，死亡人数约为 9 万人，这一貌似可信的消息使美国民众的情绪再次悲观起来。

图 7–1 1918~1919 年 H1N1 流感疫情造成的死亡率

然而，这些预测也都被证实是毫无根据的。美国政府最终报告 2009 年感染 H1N1 病毒的人数为 5.5 千万人，占全美总人口数量的 1/6，而并非之前认为的 1/2，死亡人数为 11 000 人。其实，H1N1 病毒致死率仅为 0.02%，并不属于异常严重的病毒，而是属于格外温和的病毒。实际上，2009 年流感病毒的死亡人数比因常见的季节性流感而死亡的人数还要少。这次预测并不像 1976 那次那样尴尬，但由始至终预测结果都不够准确。

人们无法保证下一次流感预测会更准确。事实上，流感和其他传染病的某些特征本身就决定了对其预测将会十分困难，并充满挑战。

外推法的危害——艾滋病感染人数被低估了一半

外推法是一种非常初级的预测方法。这一方法仅仅包含一个假说，即未来是现在趋势持续发展的结果。众所周知的预测失败的案例中，有些就是由于太过随意地应用了这一假设。

例如，19 世纪末 20 世纪初，许多城市的规划者被马粪所扰，马车的数量日益增加，使得路上的马粪越积越多。1894 年一位来自《伦敦时报》的作家致力于研究街道上的马粪问题，他预测到 20 世纪 40 年代，伦敦每条街道会被厚达 2.7 米的马粪覆盖。幸运的是，大约 10 年后，亨利·福特生产了福特 T 型汽车，避免了这场马粪危机。

外推法也是人口预测失败的罪魁祸首。1682 年，英国经济学家威廉·佩蒂爵士作了一项针对全球人口数量增长的预测，这项预测也许是第一次正式对人口数量进行的预测。由于当时无法获得丰富的人口统计数据，威廉便采取了大量颇具创新性的方法对人口增长进行推断，相当准确地预测到全球人口在 17 世纪增长速度将放缓。然而，威廉却错误地假设人口增长会一直保持这样的趋势，到 2012 年全球人口数量可能将过 7 亿。一个世纪之后，工业革命爆发，人口数量增长率直线上升。世界人口数量在 2011 年年末已超过 70 亿，约为佩蒂预测结果的 10 倍。

斯坦福大学生物学家保罗·R·埃利希和妻子安妮·埃利希于 1968 年出版了一本颇具争议的书，名为《人口爆炸》，这本书犯了相反的错误，错误地预测 20 世纪 70 年代会有一场饥荒夺去几亿人的生命。这项预测之所以失败，原因有很多，包括埃利希夫妇一直倾向的末日说，他们对引发末日的蛛丝马迹颇为关注。但主要问题是，埃利希夫妇认为 20 世纪 60 年代性解放时期创纪录的高生育率会无限期地延续下去，需要抚养的人口会越来越多。“在写《人口爆炸》一书时，我认为人类对性爱和孩子的兴趣浓厚，家庭人口很难减少。如果公正有礼地对待女性，给她们提供就业机会，生育率自然会下降。”在一次简短的采访中，保罗这样对我说。那些没有作出这种过分简单化假设的学者当时就意识到这一点了，一般联合国针对 20 世纪六七十年代发布的人口规划方案的预测都很准确，在这一规划方案中提到未来三四十年世界人口的状况。

在研究对象的数量总在急速增加的领域——包括人口数量增长及疾病领域——中使用外推法常会引发严重的问题。20 世纪 80 年代初期，美国的艾滋病患者数量呈指数型增长：整个 1980 年共出现 99 例艾滋病患者，1981 年又出现 434 例艾滋病患者，1984 年出现的艾滋病患者竟高达 11 148 例。你可以将这些数据画成图并据此推断未来的发展模式（当时一些学者就是这么做的），便会得出这样的预测结果——到 1995 年美国确诊的艾滋病患者人数会升至约 270 000 人。这一预测本来就不是很准确，可不幸的是，预测结果低估了艾滋病毒的危害性。1995 年确诊的艾滋病病例约为 560 000 人，比预测总数高出一倍。

然而，从统计学的角度来看，更大的问题也许是预测对象的数量呈指数型增长时，用外推法均无法做出准确预测。若恰当使用外推法，就会考虑到这一方法的误差幅度，那么得出的结果就应该是 1995 年美国感染艾滋病的病例数可能低到 35 000 例，也可能高达 180 万例。以预测观点来看，这么宽泛的幅度并不能说明任何问题。

为什么 2009 年的流感预测会失败？

在流感爆发的初期，流行病专家使用的统计方法并不会如前文所提到的那样简单，但是这些专家也可能会使用外推法，根据不可靠的数据进行预测。

一种名为基本传染数的变量是预测疾病蔓延最有用的变量之一，通常标记为 R0，这一变量可以测量一个感染者将病毒传播给未感染者的可能数量。比如 R0=4，指在没有采取疫苗注射和其他预防措施时，一个感染者在康复（或病亡）前会将病毒传播给 4 个人。

图 7–2 美国累计确诊的艾滋病人数：1984~1995 年确切统计的数据和根据外推法预测数据

从理论上讲，在没有注射疫苗或采取隔离手段干预的情况下，任何一种 Ro 大于 1 的疾病最终都会使全人类染病。但有时 Ro 的数值会远大于 1：西班牙流感的 Ro 值为 3，水痘的 Ro 值为 6，而麻疹的 Ro 值则高达 15。作为人类文明史上致死率最高的疾病之一，疟疾的 Ro 值可能会达到 3 位数，目前，世界某些地区仍有 10%的人死于疟疾。

问题是，可靠的 Ro 估值总是要等到该疾病在某个群体中迅速传播开来之后才能明确地计算出来，得有足够的时间仔细检查统计数据才行。所以，流行病学家不得已只好依据少量的早期数据来作外推预测。另外一个关键的疾病统计量是致死率，这一数据在疾病爆发初期也很难准确预测。这就好比“第二十二条军规”，会使人陷入两难境地，但是没有这一数量，就很难准确地预测某种疾病，要对这些未知量作出可靠预估，只有等到疫情结束。

表 7–1 不同疾病的 Ro 值的中位数估值

而且，一种传染病爆发之初的数据经常被误报。例如，之前列举的美国艾滋病诊断病例的数据是在事件发生多年后才统计出来的。即使是时时更新的数据，对预测的帮助也不大。然而，如果依据科学家们当时实际使用的数据，预测结果会更糟糕。这是因为艾滋病出现之初，很多病人（甚至很多医生有时）对这种疾病所知甚少，使预测更加困难。许多带有艾滋病症状的奇怪并发症尚未查明病因或被误诊——艾滋病引发的机会性感染一直被误认为是这种疾病的主要死因。几年后，医生重新审阅旧的病例记录，才对艾滋病出现之初的发病率作出比较准确的估值。

不准确的数据也是导致 2009 年 H1N1 病毒预测失败的原因之一。那一年，墨西哥 H1N1 流感病毒的致死率出奇的高，而美国 H1N1 流感病毒的致死率却极低。尽管在某种程度上，这与两国医疗服务水平的差距有关，但主要差异还是统计假象。

致死率是相对简单的比率关系：由病死人数除以患病人数得出。但是，方程式中的两个数据都有较大的不确定性。一方面，墨西哥倾向于把其他形式的流感甚至其他疾病导致的死亡全都归因于 H1N1。实验测试显示，被认定为 H1N1 致死的患者中有 1/4 的人表现出完全不同的病症。另一方面，H1N1 流感病例数肯定存在少报、漏报的情况，也许报告值和实际值之间相差几个数量级。像墨西哥这样的发展中国家，既没有美国那种成熟的新闻报道体系，也没有“一有不适便去就医”的生活习惯。H1N1 病毒进入美国之后的传播如此之快，可想而知，在墨西哥很有可能有几千甚至几万个轻微甲流病例没有上报政府。

事实上，H1N1 病毒已经在墨西哥南部和中部地区传播了很久，数月后才引起医学界的关注（尤其是在医学专家开始忙于关注亚洲的禽流感之后）。2009 年 3 月初，有报道称维拉克鲁斯市一个名叫洛里亚的小镇爆发呼吸系统疾病，当时镇上大部分人都已染病，但是墨西哥政府最初认为该病是由一种更为常见的流感病毒 H3N2 引起的。

与之形成鲜明对比的是，H1N1 病毒一进入美国就成为媒体炒作的噱头，几乎没有什么病例可以逃过媒体记者的眼睛。有了如此高质量的报道，美国因 H1N1 病毒致死的数据想必是相当可靠的。即使后来将一些最糟糕案例的情况从报道中拿掉，但已经太迟了，它们已经引发了公众的极大恐慌。

自我实现预测与自我否定预测

在许多涉及人类活动预测的案例中，预测行为本身就会改变人的行为方式。有时，这些行为的改变也会对预测结果产生影响，要么使结果无效，要么令结果更加准确，在经济学领域就是如此。流感和其他传染疾病的预测也受到这一问题的两方面影响。

若预测会自动实现，这种情况便可称为自我实现预测，或自我实现预言。在一场多候选人的竞选中，如美国总统初选，随着政治民调的公布，这类预测情况就会出现。在这类竞选中，投票者会战略性地选择那些有可能获胜的候选人，这样就不会浪费自己的选票了，此时，一份公之于众的民意调查就会成为候选人成功与否的最佳风向标。举个例子，2012 年艾奥瓦州共和党核心竞选的后期，美国有线电视新闻网（CNN）发布的一项民调显示，瑞克·桑德鲁的支持率奋起直追，拥有 16%的投票率，而之前他的支持率只有 10%。这份民调与众不同——在 CNN 公布这份民意调查之前，其他的调查均未显示桑德鲁有奋起直追之势。这份民调为桑德鲁营造了良好的媒体宣传氛围，一些选民开始放弃那些执政理念与其相似的候选人，如迈克·贝奇曼和瑞克·佩里，转而把选票投给桑德鲁。不久之后，桑德鲁赢得了艾奥瓦州的选举，而贝奇曼和佩里早就结束了竞选。

设计和娱乐等领域有许多更加微妙的例子。这些领域间的竞争主要是猜测消费者的喜好——但是，商家也可以通过巧妙的营销计划影响消费者的喜好。在时尚界，有种类似家庭手工业的机构会对下一季的流行色进行预测——通常要提前约一年作出预测，因为制衣生产线的调整需要时间。如果一些有影响力的设计师将棕色定为来年的流行色，并开始大量生产棕色的衣服，还让模特和名人穿着棕色服装，门店的橱窗和宣称小册子上也都主推棕色，那么，公众可能也会逐渐追随这一潮流。而公众的反应往往是购买和消费棕色的商品，不仅仅是口头表达一下内心偏好。于是，“预测”到流行色的设计师在人们眼里便如同圣人一般，但即便当初设计师没有选择棕色，而是选了白色或黑色或淡紫色，情况也都是一样的。

同样的，疾病和其他身体状况也有这种自我实现的特性。当媒体广泛地讨论某些疾病时，人们就更有可能辨识出这些疾病的症状，医生也更有可能对这些疾病做出诊断（或误诊）。近年来，最有代表性的案例就算孤独症了。若将被诊断患有孤独症的儿童数量和“孤独症”一词在美国报纸中出现的频率相比较，你会发现两者旗鼓相当，几乎分毫不差（见图 7–3），近年来这两项数字明显都有所增加。人们并没有正确地看待孤独症这种疾病，这一疾病如今大有与流感平分秋色之势。

哈佛大学公共卫生学院的艾利克斯·欧祖诺夫博士告诉我：“这是一个很令人着迷的现象。在没有因果关系的疾病中，是新闻事件促使报告量不断增加。”欧祖诺夫接受过纯粹的数学训练，在许多数据驱动的领域也是如鱼得水，但现在他正潜心研究如何在流感和其他传染性疾病中运用严格的统计分析。“我们一而再，再而三地发现，人们越担心某种特定情况，这种情况就越容易成为当下讨论的话题，相关报道就越接近真相。”

欧祖诺夫认为这一现象也许可以解释 2009 年 H1N1 病毒席卷美国时的迅速。这一疾病的传播速度确实很快，而有些人将原本可以忽略不计的病症也都一一报告给他们的医生，于是统计数据激增。

图 7–3 孤独症：1992~2008 年媒体报道病例与确诊病例

如果医生想要预测疾病在人群中的发病率，公开报道的病例数量会误导这一评估。这与犯罪报道的情况相类似：如果警察报告某一居民区的偷盗案件数量增加，是因为警察变得更警惕了，抓到了之前遗漏的罪犯，还是因为这类案件的报道更随意了呢？或者因为这一居民区变得更危险？任何想在流感发生初期做出预测的人都会碰到这类让人感到困惑的问题。

与自我实现预测相反的是自我否定预测，自我否定预测是指预测会自我破坏。越来越普及的 GPS 就是一个有趣的例子。曼哈顿有两条南北走向的主干道，一条是西部高速公路，靠近哈德逊河；另一条是罗斯福路，位于曼哈顿东部。根据目的地的位置，司机也许没有必须走哪条路的强烈愿望。然而，GPS 导航系统会依据车流量预测哪条路通行的时间更短，然后用语音提示你应该选的道路。可是，当很多车主都用同一款导航仪时，问题就出现了，大家都会选同一条路，于是道路突然会被车流塞满，畅通的路反而变得拥堵。理论和现实的双重证据表明，在纽约、波士顿和伦敦都出现了类似的问题，这些导航系统的作用有时只会适得其反。

因为流感预测的目标从某种程度上来说是为了提高公众对这种疾病的意识，进而改变其行为习惯，因此这种自我破坏的特性也影响了流感预测的准确性。最有效的流感预测很可能就是无法修成正果的预测，因为这样的预测会促使人们做出更有利于健康的选择。

预测模型越简单越好，还是越复杂越好？

芬兰科学家汉娜·库克将构建统计或预测模型比作绘制地图。绘图需要足够多的细节才能真实地展现基本景观，于是，制图者不愿漏掉大城市、主要河流、山脉，或是重要的高速公路。然而，太多细节会让旅行者晕头转向，反而迷了路。正如本书前文中提到的那样，这些问题不是纯粹的审美问题。过于复杂的模型可能会将噪声拟合进来，无法成功地复制内在结构，使预测失败。

但是，多少细节才算太多（或是太少）呢？地图绘制技术需要穷尽一生才能掌握，这项工作是艺术和科学的有机结合。将模型的建立描述成艺术形式也许有些离谱，但这项工作确实需要作很多判断。

然而，从理想化的角度来看，像库克提到的那些问题也可以凭经验回答。这样的模型有效吗？如果没有，就需要寻求其他的解决路径。在流行病学界，医生所用的传统模型相当简单，效果也没有那么理想。

传染疾病最基本的数学处理模型就是 SIR 模型（见图 7–4）。该模型形成于 1927 年，假定某人在某时可能会处于以下 3 种状态中的一种：S 代表易受疾病传染，I 代表被感染，R 代表康复。像流感这类不算严重的疾病，从一种状态转变到另一种状态完全是单向的：从 S 到 I，再到 R。在这一模型中，疫苗基本上充当了捷径的角色，可以让某人直接从 S 到 R，免去生病的过程。这个模型背后的数学过程是相对直接的，（将题目）概括成不同的方程式，在电脑上经过几秒钟的运算就可以得出结果。

问题是，这个模型要有很多假设才可以有效运转，而其中有些假设在实践中根本无法实现。尤其是这个模型假设在某个特定人群中，每个人的行为方式都是一样的。他们同样易受传染，都可能接种疫苗，彼此随意接触；他们中并没有种族、性别、年龄、宗教信仰、性取向以及教派的区别；每个人的行为方式基本上没有什么区别。

图 7-4 SIR 模型的示意图

在那些通过性行为传播的疾病中，最容易看出这些假设的缺陷。

20 世纪 90 年代后期到 21 世纪初，旧金山的男同性恋群体中无保护措施的性行为越来越普遍，而早在 20 年前这群人就曾受到人类免疫缺陷病毒/艾滋病病毒的侵蚀。一些研究者将这一情况归责于吸毒人数的上升，尤其是吸食冰毒常会引发更危险的性行为。其他研究人员认为是由于抗病毒治疗的效果越来越好——“鸡尾酒治疗法”可以让人类免疫缺陷病毒携带者的寿命延长几年甚至十几年：对男同性恋者而言，HIV 不再等同于死刑判决。然而，其他理论则比较关注时代模式——20 世纪 80 年代艾滋病盛行的旧金山，在新一代男同性恋群体眼中似乎已成为一段遥远的历史了。

但专家们都同意这样一种说法，那就是随着无防护措施的性行为逐渐增多，HIV 病毒感染率也会随之升高。

但是，结果证明 HIV 病毒感染率并未升高，其他性传播疾病反倒增加了：在男同性恋者中（MSM），一种新型的梅毒——20 世纪 90 年代，梅毒在旧金山已基本根除了——又开始快速传播，病患人数从 1998 年的 9 例增至 2004 年的 502 例。淋病发病率也有所增加。然而，矛盾的是艾滋病病例却并没有增加。2004 年,梅毒发病率达到多年来的最高值，而 HIV 确诊数却降至继艾滋病传播以来的最低值，对于研究者来说，这种现象并不合理；梅毒和 HIV 病毒在统计学上通常紧密相关，存在着因果关系，因为一旦染上其中一种病毒，就会更容易染上另外一种。

现在看来，这个悖论已经有了解决方法，那就是男同性恋者“血清分类”的效果越来越好，也就是说，男同性恋者在选择性伴侣时，会选择和自己 HIV 情况相同的人。他们是如何做到这一点的呢？对此众说纷纭，但在旧金山、悉尼、伦敦和其他同性恋人口居住较多的城市，对大量男同性恋者所作的详细行为研究中的确记载了这种做法。或许是因为，公共卫生宣传发挥了一些积极作用，有些宣传对“避孕套疲劳”避而不谈，而是强调“协商安全”的理念。从某种程度上说，也许互联网已经取代同性恋酒吧，成为同性恋者挑选性伴侣的首选之地。互联网公开信息要遵守不同规定：许多人都会在基本资料中填写 HIV 状况，另外，在家中的私密空间问一些平时难以启齿的问题要比在酒吧喧闹的舞池里问得更容易一些（也更容易得到诚实的回答）。

无论原因是什么，显然，这类具体的、局部的行为混淆了更为简单的疾病传播模式——幸运的是，这种情况意味着这些模型高估了 HIV 病毒。SIR 这类阶段模型认为每位个体都容易受疾病传染。可是，当某些疾病是通过十分亲密的接触传播的，或当不同种类群体染病的风险是不一样的，SIR 模型就行不通了。你不可能随便走进一家商店，回家时就携带了 HIV 病毒。

然而，即使是某些更简单的疾病，这种阶段模型也会因为其假设过于宽松而失败。以麻疹为例，绝大多数刚入行的流行病学家，在读博士阶段的第一个研究对象就是麻疹，因为这种病最容易研究。欧祖诺在哈佛大学的一位同事马克·利普思奇称：“麻疹是传染病的模型系统。只需进行一个血液测试，就能很明确地判断出这种疾病，因为麻疹病毒只有一种类型，所有带有这种类型的病毒的患者都是麻疹患者。一旦患过麻疹病，就不会再次发病。”如果说有哪种疾病能采用 SIR 模式来处理，那恐怕就只有麻疹了。

20 世纪 80 年代到 90 年代初，芝加哥爆发了严重的麻疹疫情，流行病学家在预测时感觉困难重重。传统模型显示，已经有足够多的芝加哥居民接种了麻疹疫苗，这些人本可以营造一种“群体免疫效应”——从生物学角度来看，这种效应就相当于“防火墙”，接种了疫苗之后疾病就没有机会传播，渐渐就会消失。然而，20 世纪 80 年代，几年内有近千名芝加哥人患上了麻疹，其中大多数的患者是孩子；情况十分严重，该市下令让护士挨家挨户为大家注射疫苗。

来自芝加哥大学医学院的儿科及传染病专家罗伯特·多姆博士对这次麻疹爆发作了深入研究。多姆医术高明、声音厚重、络腮胡子、有一种超然的幽默感。我采访多姆和他在芝加哥大学的两位同事时，多姆刚从海地回来，他参与了 2010 年的海地地震救灾工作。

我曾在芝加哥住过 13 年，那是一座由一片片社区组成的城市。这些社区通常都是彼此分离，不同种族、不同社会经济地位的人很少混居在一起。多姆发现这些社区对疫苗接种的倾向也不同：内城居民大多比较穷困，南部的黑人很少让孩子接种 MMR（麻疹、流行性腮腺炎、风疹）疫苗。那些未接种疫苗的孩子一起上学，一起玩耍，打喷嚏都是面对面。这些人违背了 SIR 模型称为随机组合的假说，该假说认为人群中任意两个人彼此接触的可能性是一样的。于是，麻疹在黑人孩子中传播。

这个非随机组合的现象也是 1976 年 H1N1 病毒惨败记的诱因，当时的科学家试图根据迪克斯堡出现的病例外推出美国受 H1N1 病毒危害，而迪克斯堡就是一个非随机组合。从局部来看，那次 H1N1——现称为新的流感毒株 A/新泽西/76——十分危险，因为在军事基地中，该病毒传播的速度非常快，两三周内就有确诊病例 230 例。科学家由此推断该病毒的基本再生率肯定相当高——或许和 1918 年大流感的 R0 值一样，约为 3。

然而，军队的环境向来易于传播疾病。士兵们彼此接触密切，在军营里常共享食物和床上用品，几乎没有私人空间。另外，士兵们还常常进行高负荷的体能训练——这会使他们的免疫系统暂时衰竭——而社会规范认为军人即使生病了也得坚守岗位。于是，传染病就有无数的机会在士兵中传播，传播速度通常会非常快。

随后对迪克斯堡爆发的流感研究显示，疾病的快速传播是由环境因素引起的，与疾病本身的危害程度没有直接关系。迪克斯堡完全不同于任何美国社区或工作场所。事实上，根本不必担心 A/新泽西/76 流感，其 R0 值仅为 1.2，它与一般季节性流感的情况相类似。在军营外，或者在除了类似军营环境的大学宿舍、监狱之外，流感并没有那么严重。这种流感基本上在迪克斯堡已经消失了，不会传给新的个体。

A/新泽西/76 流感的传播以彻底失败告终，就像旧金山 HIV 或梅毒的悖论，或是 20 世纪 80 年代的芝加哥麻疹疫情爆发，都证明那些做出的假设过于简单的模型存在局限性。当然，我并非存心暗示你应该永远倾向复杂的模型，不该用那些简单的模型。正如本书前几章所讲，复杂的模型也会使人误入歧途。因为复杂的模型常常提供更明确（却未必更准确）的答案，这些答案会导致预测者过于相信自己，误以为自己可以预测得更准确，可实际上并非如此。

然而，简单化仍可算作一个模型的优点，但一个模型至少应该简单得高明些。SIR 这类模型尽管有助于了解疾病，但对于预测疾病的过程或许就无能为力了。

所有的预测都失败了

模型越复杂，就越能大幅提高预测的准确性，能证明这一点的例子相当少，气象预报便是其中之一。气象学家花费数十年的时间，创建了一个符合自然规律的物理模拟系统，有了这个系统，进行气象预测时，这些气象学家就能比单纯使用统计方法表现得更好。

现在，有越来越多的团队正试图用相似的方法预测疾病，他们采用的技术就是广为人知的“基于 Agent 建模方法”。我拜访了匹兹堡大学的一些研究人员，他们的研究一直处在这类技术开发的前沿。匹兹堡大学的团队将他们的模型命名为 FRED（即 framework for the reconstruction of epidemic dynamics 的首字母缩写，指传染病动态重构框架）。这个名字也是为了向电视节目《罗杰斯先生的邻居》的节目主持人、匹兹堡人佛莱德·罗杰斯致敬。

和芝加哥一样，匹兹堡也是一个社区之城。匹兹堡的研究人员一说到疾病，就会想到居民区，所以 FERD 模型本质上就是一个模拟的匹兹堡城——一项十分细致的模拟，每个人都用一个“仿真人”来代表，这个“仿真人”拥有自己的家庭、社交网络和居住空间，拥有一套和他的社会经济地位相匹配的一系列信仰和行为。

约翰·格雷芬斯特博士是匹兹堡团队中众多科学家中的一位，他的人生的大部分岁月都生活在匹兹堡，讲话时还带着当地独特的口音。格雷芬斯特博士向我解释 FERD 是如何组织起来的：“这个模型里有学校、工作场所和医院，它们都被放置在正确的地理位置上。这个模型的设置相当复杂，研究团队安排儿童都去上学，却不一定是就近入学——有的学校面积小，有的学校则面积非常大。因此，你会了解到这种合成的模拟城市人口数量。”

格雷芬斯特博士和他和蔼可亲的同事尚恩·布朗博士向我展示了 FRED 模拟的结果，在模拟的匹兹堡市、模拟的华盛顿城或是模拟的费城中，用颜色标注的疾病浪潮正从一个区域泛滥到另一片区域。但是，FRED 也是一项严肃的工作，这些模型也没有优于真实城市的虚拟处理方法：一个城镇、一座城市乃至一个州的每个人都用“仿真人”来代表。一些基于 Agent 建模方法甚至尝试着模拟整个国家，甚至整个世界。同气象预报模型一样，这需要进行大量的计算，因此需要借用超级计算机。

这些模型还需要借助大量的数据。模型需要准确的人口统计资料，通过人口普查就可以获得相当准确的相关资料。另外，这些模型还需要解释人类行为，而这项任务则要难以预料得多。例如，一位 26 岁的拉蒂纳（意大利地名）单亲妈妈接种疫苗的可能性到底有多大？你可以设计一份调查问卷来询问她——基于 Agent 建模方法都十分依赖调查问卷的数据。但是在被问到健康选择时，受访者常会撒谎（或是记不清自己的选择）：比如，受访者宣称的洗手次数比实际次数要多，避孕套的实际使用情况也是如此。

格雷芬斯特博士告诉我，有一条原则相当深入人心，那就是人们接受并参与那些有些麻烦但有益健康的做法的意愿，与他们对患病风险的感知紧密相关。我们模拟的匹兹堡人只有在她认为这次 H1N1 流感十分严重时，才会去接种疫苗；若她觉得流感的情况不严重，她是不会去接种疫苗的。可是，如果她的邻居或是她的孩子生病了，她对流感的感知会发生怎样的变化？如果当地的新闻中充斥着流感的报道，她的反应又会怎样？因此，基于 Agent 建模方法与疾病预测中自我实现和自我否定的特性息息相关，因为它们是动态变化的，同时也允许这些仿真个体的行为随时间变化，在处理这些问题时，这些模型用起来也许更加得心应手。

另外，可以看看多姆博士和他在芝加哥大学的团队，他们正在建立基于 Agent 的模型，用来研究一种名为 MRSA（即耐药葡萄球菌）的危险病毒的传播，这种病毒会使普通的创伤，如切伤、刮伤、擦伤等演变为威胁生命，甚至无法治愈的传染病。MRSA 病毒的结构十分复杂，有很多传播途径：可以通过拥抱这类非常随意的接触传播，可以通过暴露的伤口传播，也可以通过汗液或血液这样的体液接触传播。有时这种病毒还会停留在很多物体的表面，如案台或毛巾。另外，运动员的更衣室也是孕育 MRSA 病毒的温床，在那里运动员常共用运动器材；已经报道的 MRSA 疫情有很多病例就发生在橄榄球队中，从美国高中橄榄球队到美国职业橄榄球联盟都有发生。但许多携带 MRSA 病毒的人并没有发病，也没有表现出任何病症，这便使情况变得更加复杂。

在为 MRSA 病毒建模时，多姆和他的同事必须问自己一些问题，比方说：哪一类人被割伤后会用邦迪创可贴？不同的文化背景下，拥抱行为是否普遍存在？一个社区中有多少人坐过牢（监狱中潜藏着葡萄状病毒）？

对于这类问题，传统模型根本无法解答，而基于 Agent 建模至少使做出较为准确预测成为可能。但是，匹兹堡和芝加哥团队需要考虑的变量数量大、范围广——当你竭力对整个人群中每个人的行为进行模拟时，必然会是这样的情形。这两个团队的工作常常要借用认知心理学、行为经济学、人种学乃至人类学的知识：基于 Agent 建模用于研究 HIV 在社区中的传播，而这些社区就如同巴布亚新几内亚的丛林般各具特色，又如同阿姆斯特丹的同性恋酒吧一样风格迥异。要了解这些社区，需要对当地的习俗和环境等知识了如指掌。

因此，基于 Agent 建模对研究者的要求颇高，奋斗在这一领域的团队通常都是多学科交互的全明星队，团队成员都是各自研究领域的精英。但由于缺少数据，这些精英常常劳而无功。“就连 H1N1 病毒，我们都很难收集到有关何人、何时、何地患病的具体地理数据。”格雷芬斯特哀叹，“可想而知，要想获得过去爆发的所有疾病的数据有多困难。”

与匹兹堡和芝加哥这两个团队进行交流时，他们的话有时会让我想到一些关于中国的故事，这些故事你和我都读过，讲的是中国某些购物中心极尽装饰的情况——罗马圆柱、室内过山车，威尼斯运河，无一不有——但购物中心却没有店铺营业，也没有人逛。芝加哥和匹兹堡的团队都已经得出了一些十分有用且可行的结论——例如，匹兹堡大学的格雷芬斯特博士想到，过于草率、频繁地让学校停课（以防止疾病传染），有可能会事与愿违；而芝加哥大学的团队猜测到，芝加哥内城的 MRSA 病例数量不正常，这个问题是由进出库克县监狱的人群引起的。但是，这些模型模拟的情况至少都在几年之后才有可能出现，他们正翘首期盼着眼下那些根本不存在的数据。

基于 Agent 建模——不像气象预报的模型可以依据每日的数据进行修正——也很难检验。重大疫情只是偶尔来袭。即使这些模型是对的，但由于成功的疾病预测存在自我否定的特性，这些模型也有可能会成为自身成功的受害者。假设该模型暗示某项特殊的干预措施——如让学校停课——可能会十分有效，而这项干预措施也确实奏效了，现实中该疾病的传播速度就会降低。但回头想想，这样的结果可能会使该模型之前的预测看似过于悲观了。

因此，匹兹堡和芝加哥团队一直在犹豫是否将他们的模型应用到具体的预测中。其他团队在 2009 年 H1N1 流感爆发前则没有这么谨慎，其中一些团队发布的相关预测十分糟糕，严重地低估了 H1N1 病毒的传播范围。

目前，这些团队的活动大多局限于多姆的同事奇普·马卡尔所说的“为见解建模”。也就是说，基于 Agent 建模可以帮助我们进行了解传染病的实验，但目前这些模型还不能帮助我们预测疾病的爆发。

预测是为了让损失最小化

美国最近两次流感恐慌证明了，天花乱坠的宣传是不可靠的。1976 年，只有迪克斯堡爆发了甲型 H1N1 疫情，其他地区基本没有疫情；当时的美国总统福特推行的“全民接种疫苗计划”纯属过激反应。2009 年，相当数量的人感染了 H1N1 流感病毒，但是病亡的病例却很少。这两个例子说明，美国政府关于疫情严重程度的预测实在有些离谱。

但谁都不能保证，下一次流感疫情爆发时，会不会出现同样的预测错误。虽然人类逐渐适应禽流感，但禽流感病毒 H5N1 仍会使数千万人丧生。若一种流感病毒的传播速度和 2009 年 H1N1 病毒的传播速度一样快，致死率又和 1918 年西班牙流感的致死率一样高，就会使 140 万名美国人丧生。还有其他一些威胁来自非流感病毒，如传染性非典型肺炎（SARS）病毒，甚至来自天花，虽然早在 1977 年全球就已经消灭了天花，但这种疾病极有可能被恐怖分子制成生化武器，再次引入社会，谋杀数百万人。根据定义，最严重的流行病传播的速度极快：2009 年，H1N1 病毒只用了大约一周时间就从医学界毫无察觉的病毒发展成一种让数百万人丧生的病毒。

我为本章写作所采访的那些流行病专家强烈地意识到自身所用模型的局限性，这一点和其他领域的专家形成鲜明对比。哈佛大学的马克·利普思奇告诉我：“依据 3 个数据点作预测是很愚蠢的。”利普思奇所说的“3 个点”是指 1918 年、1957 年和 1968 年 3 次流感的爆发，“我们能做的就是为病情发展的不同状况作好准备”。

如果你无法做出准确预测，却假装自己可以确保预测准确，这样做通常会贻害无穷。我猜想流行病专家和医学界的其他专家深知这一点，因为他们必须遵从希波克拉底誓言：最重要的是，不能伤害别人。

医学界对统计模型的使用最为谨慎，医生总能恰如其分地扮演预测的角色。这并不是说经济学家或地震学家作预测时没有风险。但由于医学直接与生命和死亡挂钩，医生会更加谨慎小心。在医学领域，错误的模型会让人丧命。后果很严重。

另外，奇普·马卡尔关于“为见解建模”的概念还要进一步充实。本书的主导思想是，预测既是手段也是目标。比如，预测在验证假说时发挥核心作用，因此在所有科学领域都发挥核心作用。

正如统计学家乔治·E·P·博克斯所写：“所有的模型都是错误的，但是其中有些是有用的。”这句话的意思就是，所有模型都是这个世界的简化形式，因为这是必要的。正如另一位数学家所说：“一只猫最好的模型就是一只猫。”其他模型都会遗漏一些细节。这些细节是否关系重大，取决于我们试图解决的问题究竟是什么，还要看我们想要得到的答案有多精确。

在我们使用的工具中，统计模型并非唯一一个要求我们做出粗略估算的工具。例如，语言就是一种模型，一种我们用于相互沟通的近似值。所有语言都包含一些单词，在别的语言中却没有直接对应的同源词，即使两个词都在尽量解释同一个事物，它们也不是同源词。技术领域有其特有的语言。

但是，博克斯写道，一些模型是有用的。据我观察，芝加哥和匹兹堡两支团队正在进行的基于 Agent 建模就十分有用。这些模型能断定不同族群对疫苗的态度，能推出疾病在一个城市中不同社区的传播情况，也能猜到人们对流感新闻的反应，这些本身就是重要的问题。

一个好的模型即使失败了也有价值。“我们应当假设无论作什么预测，通常都是错误的。”欧祖诺夫告诉我，“所以，通常作预测就是为了了解错误是如何形成的，出错时该怎么做，如何将损失最小化。”

关键是要记住，模型是帮助我们理解某一领域复杂性的工具，而不是取代整个领域。这一点不仅在作预测时十分重要。一些神经学家，如麻省理工学院的托马斯·波焦认为人脑处理信息的方式就是通过一系列近似值获得的。

这就是为什么在预测时，形成更好的自我认识，正确解读所收到的信号如此重要。本书的前半部分主要介绍这些近似值在哪些领域服务于我们，又在哪些领域使我们惨败。本书的后半部分则关于如何更好地提高近似值，每次只提高一点。