提升决策者流行病预测可用性的全球混合方法研究

《PLOS Global Public Health》：Enhancing epidemic forecast usability for policymakers: A global mixed-methods study

　　

COVID-19大流行暴露了公共卫生决策中流行病预测的生成、解读和使用方面的关键差距。研究人员开展了一项全球混合方法研究，结合在线调查（n=143，来自世界银行所有收入类别的46个国家）和13次半结构化访谈，以检查参与COVID-19政策对话的利益相关者如何感知、使用和传播流行病预测。调查回应按国家收入组分层进行描述性分析，而访谈记录则使用框架法进行主题分析。预测为从疫情规模估计到干预规划的政策问题提供信息，其中最常传播的指标是干预措施的预计影响（65%）、疫情高峰（64%）和患病率（62%）。首选格式因环境而异：72%的高收入国家（HIC）受访者重视明确的不确定性呈现，而中低收入国家（LMIC）和低收入的（LIC）分别为34%和23%。预测使用的障碍在低收入环境中最为明显，47%的LIC和LMIC受访者报告同事不理解建模方法，而HIC仅为3%。定性数据强调，预测可信度取决于人际信任、机构关系和背景相关性，而不仅仅是统计复杂性。研究结果应结合回顾性、便利抽样设计中固有的潜在回忆和选择偏差来解释。加强预测影响将需要模块化、面向用户的工具，将建模人员嵌入响应团队，共同开发决策相关指标，并持续投资于基础卫生信息系统，特别是在资源受限的环境中。

论文解读：《提升决策者流行病预测可用性的全球混合方法研究》

研究背景与问题提出

COVID-19大流行凸显了公共卫生决策中证据生成、评估和政策应用的理想化序列难以实现。疫情期间，决策常基于不完整数据、过往经验、专家意见、实时国际比较和流行病学模型。作为流行病学建模子集的短期概率预测，成为支持不确定性下决策的关键工具，可快速测试政策假设。然而，各国及决策机构对预测的获取和应用并不均衡，资源受限地区受限于数据基础设施不足、建模专业知识匮乏及研究者与决策者间制度联系薄弱，同时存在模型开发与政策需求脱节的问题。现有框架多关注供给侧能力建设，却未系统探究终端用户对预测输出的认知、解读与应用，形成关键证据缺口。因此，本研究旨在通过分析预测应用类型、影响效用的指标与格式及限制其影响的未满足需求，促进未来危机中预测与决策需求的更好匹配。

研究方法

本研究采用混合方法设计，结合广度调查与深度访谈以互补验证。定量部分通过在线调查收集数据，覆盖46国共143名利益相关者，问卷包含24道选择题与开放题，涉及政策对话参与度、预测类型与来源、政策问题、评估实践、可信度及使用障碍等维度，调查经法语与西班牙语翻译并在多渠道招募参与者。定性部分通过半结构化访谈深入挖掘机制与情境因素，访谈对象包括同意随访的调查受访者及专门招募的个体，确保区域、政策参与类型和组织类型的多样性。数据分析方面，调查数据用R软件进行描述性统计与分层分析，定性数据采用框架法在NVivo中进行主题分析，由两名研究人员独立编码以确保一致性，最终整合定量模式识别与定性机制阐释。

研究结果

预测的应用方式

预测主要用于解决六类政策问题：非药物干预措施及其影响、群体免疫与重启策略、经济影响、医疗资源分配、疫苗接种策略及疫情预测与建模。这些问题随疫情阶段演变：早期聚焦疫情规模估计与非药物干预效果，病例激增期转向峰值与医疗需求预测，后期关注解除限制与行为变化的影响。不同层级与地区的应用存在差异：全球层面侧重高层协调与区域比较；国家与次国家层面用于疫情规模与时机预判、卫生系统准备及应急规划；低收入国家还支持地理与经济定向响应，如确定治疗中心位置及针对弱势群体的援助分配。

预测的传播方式

预测以图表、交互式仪表盘和科学论文等形式传递，但视觉简洁的输出更受青睐，科学论文虽具可信度却不适合实时决策。场景式呈现因能传达不确定性并支持适应性决策而广受重视。预测若辅以专家解读与互动对话则效用更高，尤其是资源受限环境中，决策者更需要叙事性框架而非技术细节。值得注意的是，高收入国家更看重不确定性明确呈现与建模者直接互动，而低收入国家则更依赖来源可信度与专家参与，这种差异反映了不同环境下信任构建机制的区别。

影响预测采纳的因素

预测有效应用的主要障碍包括基础数据局限、时机与交付问题、解读挑战及与本地情境的错位。数据不可靠、延迟或不完整会削弱预测可信度，而预测交付过晚或缺乏解释则降低可操作性。此外，许多决策者或其同事无法完全理解建模方法，这一理解鸿沟在低收入与中等收入国家尤为显著。缺乏本地开发的模型也是障碍之一，外部模型常因脱离本地监测现实且未经协商而被抵制。综合来看，高收入国家优先考虑统计严谨性与正式不确定性量化，而低收入国家则更看重可操作的干预导向输出，并将理解能力与本地容量缺口视为主要障碍。

讨论与结论总结

本研究首次系统揭示了疫情期间决策者如何认知、使用与传播流行病预测，表明预测效用取决于清晰呈现、及时交付及与操作需求的匹配。预测工具需根据用户决策情境呈现相关指标，并适配认知偏好，而非采用通用格式。交互式模块化平台可增强政策相关性，但需配套用户培训。人工智能等方法有望改善预测到政策的转化，但核心仍在于稳固的数据基础设施与制度化的合作机制，如数据共享协议、谅解备忘录及将建模者嵌入监测单位。

结论指出，流行病预测唯有嵌入决策的体制、政治与操作情境中才能影响公共卫生决策。预测效用不仅取决于技术质量，还取决于情境相关性、沟通清晰度及与特定政策选择的匹配。支持二元或场景决策并辅以专家解读的预测最具可操作性，但不同经济环境在预测获取、理解与信任上存在显著差异。加强预测的政策影响需在备灾周期中全面行动，将预测制度化作为决策支持系统的一部分，投资模块化用户导向工具、嵌入式建模能力及可持续卫生数据系统，并确保工具开发与用户培训在稳定期完成，以便紧急情况时能快速理解、信任和部署。

总之，本研究强调了改进预测政策一致性的紧迫性，呼吁研究人员、资助者与相关机构共同努力，使建模不仅服务于科学进步，更服务于公共卫生实践。