{"ObjectType":101,"Sequence":2023,"PreHash":"733C553DA58734EC477C081B4FC397FD","Content":"\r\n\r\n# 甲流，无症状，发烧，以及身边统计学\r\n\r\n[ 新潮沉思录 ](javascript:void\\(0\\);)\r\n\r\n__ _ _ _ _\r\n\r\n以下文章来源于拍帮主 ，作者拍老师\r\n\r\n\r\n**拍帮主** . I told you so……\r\n\r\n\r\n\r\n** 文 | 拍老师 **\r\n\r\n各位 周末愉快 ~ \r\n话说，最近甲流挺多， 或者换个更严谨的说法……最近因为“流感样病例”而被拟诊为甲流的人挺多\r\n \r\n——请品鉴：\r\n\r\n↑ 注意关键词啊，“流感样病例”~ \r\n \r\n关于这个“流感样病例”（ILI）， 后面还会用到， 所以有必要先走个详细的名 词解释， \r\n——请 细 品： \r\n\r\n↑ 根据国家卫健委《医务人员流感培训手册》（2019版）：\r\n\r\n * “流感样病例”（ILI）指的是急性感染期内（发病10天以内），有 **发热** 症状，且伴有 **咳嗽** 或 **咽痛** 二选一，但又 **没有** 实验室检测确诊的病例； \r\n * 在 流感流行季节，ILI作为临床 **拟诊** 标准，准确率曾经可达70%~80%。 \r\n\r\n \r\n下面开始正式八卦。 \r\n\r\n* * *\r\n\r\n \r\n关于甲流，刚好 这两天咱在知乎写了点东西， 没想到留言回复还挺热闹~ 那么下面咱就结合知乎那篇回答， 简单聊聊现阶段的甲流呗。 \r\n知乎那边的原文传送门： www.zhihu.com/question/586730857/answer/2916609260 \r\n——知乎问题题干，请首先品鉴：\r\n \r\n——咱的回答，请再品鉴：\r\n\r\n↑ 整整300多条留言评论，可以说非常热闹了…… \r\n简单来说，针对《此轮甲流为什么这么严重》这个问题， 咱留意到一个反常现象：\r\n\r\n * 截止这条问题提出的时候，也就是2月底，国内流感确诊病例数远低于2019/2020年流感季高峰期； \r\n * 但不管是媒体报道，还是部分朋友的身边统计学，却都显得本轮流感要比当初更严重。 \r\n\r\n \r\n知乎那边咱随便选了张GISRS的图， 可能有点糙，也不是太直观， 下面咱换一组CNIC（中国国家流感中心）的图， 可能更能说明这个 问题。 \r\n——请品鉴：\r\n\r\n解说一下：\r\n\r\n * 上图是CNIC口径，最近四个流感季的北方省份哨点医院监测情况； \r\n * 由于南方和北方的流感流行情况有可能不一致，所以CNIC把两边分开统计了，鉴于本轮流感主要以北方为主，所以咱们这里偷个懒，只看北方省份； \r\n\r\n * 因为流感几乎从没搞过应检尽检，所以不能完全依靠确诊病例数来反映疫情发展。CNIC退而求其次，改为监测各哨点医院全体急诊患者当中“流感样病例”的占比，也就是纵轴； \r\n * 横轴则是每个流感季的周数，从头一年的第14周开始，到次年第13周为止； \r\n\r\n * 最后，不同颜色的曲线代表不同的流感季。 \r\n\r\n \r\n所以一图秒懂，红圈所示的，就是本轮流感 北方省份 哨点医院流感样病例占比，差不多4.4%左右，远低于2019年/2020年流感季高峰。\r\n（思考题：为啥咱要舍近求远，去跟 2019年/ 2020 年流感 季 的高峰对比，而不跟2022年底那个高峰对比？） \r\n \r\n——请继续品鉴：\r\n\r\n除了哨点医院急诊患者流感样病例占比之外，CNIC也有监测确诊病例数和检测阳性率，其中：\r\n\r\n * 如上图所示，2023年第8周CNIC一共在北方省份确诊1681例，检测阳性率30%左右； \r\n\r\n * 如下图所示，2019年第2周和第51周，CNIC确诊均超过2500例，检测阳性率更是超过40%。 \r\n\r\n \r\n原文传送门： \r\nhttps://ivdc.chinacdc.cn/cnic/zyzx/lgzb/202303/P020230302307675259744.pdf \r\n所以换成CNIC数据之后， 同样的疑点照样存在： \r\n**为啥本轮流感严重程度不如2019年那次，** **但 不管是媒体报道还是身边统计学，却都显得本轮更严重？ ** \r\n没想到，对于咱提出的这个疑点，知乎那边很多朋友都表示无法接受，并纷纷搬出身边统计学数据来抬杠。 \r\n——比如说，请品鉴：\r\n\r\n这里首先要感谢各位朋友积极反馈， \r\n并对各位朋友的不幸中招表示慰问。 \r\n然后咱帮以上这些朋友总结总结啊…… 根据他们的身边统计学来看， 以下情况可能比较普遍 ：\r\n\r\n * 全班/全寝室/全家齐齐整整地中招（或者大多数中招）； \r\n\r\n * 发烧的比例很高。 \r\n\r\n \r\n于是现在新的问题又来了…… \r\n流感 病毒并不是什么刚刚冒头的新病原体， H1N1 pdm09的无症状比例和发烧比例 更是早就 研究 得非常 透 彻~ \r\n——比如说，请品鉴：\r\n\r\n↑ 流感研究绕不开的《柳叶刀》巨作， 20 17-2018年南非P HIRST研究了解一下？ \r\n标题翻译成人话： ** 《PHIRST：2017-2018年南非季节性流感的无症状传播和严重社区疾病负担，一项人群队列研究》 ** \r\n简单介绍一嘴啊：\r\n\r\n * PHIRST社区研究采用了流感研究领域比较少见的 **前瞻性队列研究** 设计； \r\n * 研究人 员在2017年和2018年连续两年时间 面，在南非的城市和农村两种社区场景下， 分别 挑了50户家庭作 为受试 对象 ； \r\n\r\n * 受试者在2017年-2018年之间， **不管有没有流感症状** ，都雷打不动地每周进行两次流感核酸检测（注意哦，是那个现在提都不能提的，龙王卖伞的核酸检测哦  ） \r\n\r\n * 两年时间里头研究人员一共采集到超过8万份鼻咽拭子（核酸利益集团实锤了啊！）； \r\n * 全部受试者里面，只有一位接种过流感疫苗……四舍五入就是接种率0%。 \r\n\r\n \r\n总之，在过硬的前瞻性研究设计下， PHIRST诸君入手了整整8万多份鼻咽拭子…… 可想而知，这项研究的结果那是相当全面了~ \r\n但今天咱们只品鉴跟“无症状感染”和“发烧”相关的那部分~ \r\n具体来说： \r\n\r\n * 在每周两次普筛，持续检测整个流感季的变态检验强度下，流感病毒仍然保持了高达 **45.5%** 的无症状感染比例； \r\n * 在有症状的那部分病例里面，有 **37.5%** 属于“流感样病例”（ILI），或者说，所有感染者里面，有 **20.5%** 属于“流感样病例”——还记得流感样病例的定义不？不记得的话请倒回去看看~ \r\n * 在 有症状的那部分病例里面， **38%** 的病例发烧， 或者说，所有感染者里面， **21%** 发烧 ； \r\n * 整个流感季累积罹患率 **44%** ； \r\n\r\n * 家庭续发率 **10%** ； \r\n\r\n * 虽然无症状 感染占了接 近一半，但却只有 **6%** 的家庭续发传播是由无症状感染者造成的。 \r\n\r\n— —一 图 秒懂 ，请品 鉴 ：\r\n \r\n现在请各位对比对比： PHIRST研究项目从8万多次核酸检测当中总结出来的宝贵数据， 以及 各位身边统计 学的数据。 \r\n针对流感感染事件而言： \r\n\r\n * PHIRST研究的45.5%无症状感染 vs 身边统计学 的 全家发烧； \r\n\r\n * PHIRST研究 的 20.5%流感样症状 vs 身边统计学 的 全家发烧； \r\n\r\n * PHIRST研究 的 累积罹患率44% vs 身边统计学 的 全家发烧； \r\n\r\n * PHIRST研究 的 家庭续发率10 % vs 身边统计学 的 全家发烧。 \r\n\r\n \r\nhmm…… \r\n搞不懂搞不懂~ \r\n搞不懂就对啦！ 那就让我们再次回味几条精彩留言评论吧：\r\n\r\n * “快死了，宿舍全中，过之于末期新冠，主要是喉咙疼，废了，瘦了12斤了” \r\n * _** “办公室四个人，现在就剩我一个了，你猜猜为什么？他三个家里娃 都是高烧症状，一个娃直接烧到40度了。”  ** _\r\n\r\n \r\n\r\n* * *\r\n\r\n \r\n最后，对于上述种种反常情况， \r\n咱在知乎那边提出了三个假说。 \r\n——请品鉴：\r\n \r\n以上三种情况， 各位挑一种或几种自己喜欢的吧。\r\n\r\n \r\n\r\n\r\n\r\n预览时标签不可点\r\n\r\n微信扫一扫 \r\n关注该公众号\r\n\r\n\r\n\r\n\r\n\r\n****\r\n\r\n\r\n\r\n****\r\n\r\n\r\n\r\n× 分析\r\n\r\n 收藏\r\n\r\n","Timestamp":1677945600000,"PublicKey":"0319773E4E75194DE9810E624C4B2B57BD976F8E62CF12ACC85909BABF216A6406","Signature":"304402203B2A92D4073D6D919EB3E3233B17CB7344AB5EA93E411560D22ED5AA1DB923B8022019BDF662079A351846C7BCED657EFD5D235BA61514CEF967AC844621D8D4F318"}