中国青年报客户端讯（中青报·中青网记者 刘昶荣）日前，钟南山院士团队参与的一项研究成果刊发在国际著名医学期刊《健康价值》上，题目为《Quantifying the Effect of Public Activity Intervention Policies on COVID-19 Pandemic Containment Using Epidemiologic Data From 145 Countries》（2021年影响因子/JCR分区：5.725/Q1）。这项研究利用大数据与人工智能技术，定量评估不同公共防控政策对新冠疫情的控制效果。研成果显示：取消公共活动、关闭学校、关闭工作场所3项措施对疫情控制效果更为显著。研究者推测，这3项措施均属强制性措施，执行的可行性更高，因此，更有可能对遏制疫情生效。
研究人员利用新的“反事实推理模型”框架，对全球145个国家和地区（包括欧洲36个，亚洲36个，非洲47个，北美洲13个，南美洲11个，大洋洲2个）进行了研究，跟踪了这些国家/地区在2019年12月31日到2020年7月1日新冠病毒在全球掀起第一波大流行期间，普遍采取的8种防控措施数据，具体包括：关闭学校、关闭工作场所、取消公共活动、限制人群聚集、公共交通管制、居家生活建议、限制国内流动、限制国际旅行。
研究表明，大多数疫情防控措施在实施后约7至14天，反映病毒有效传播的“再生数”Rt会迅速降低，防控效果随着时间的推移而增强，在25至32天后达到最大抑制效果，Rt平均降低约30%，随后效果逐渐衰减。
研究还指出，在疫情暴发早期（感染缓慢增长期）实施的防控措施越严格、持续时间越长，最终感染人数会越少。但是，处于疫情中后期（感染快速增长期）实施防控措施的话，结果则正好相反——防疫措施越严格，持续时间越久，最终感染人数反而增加。论文第一作者孙继超博士指出，造成这一结果的原因并非疫情防控措施失效，而是反向因果关系导致：到了感染人数快速增长暴发的时候，才开始制定严格的管控措施，此时已经收效甚微。而在疫情出现苗头的时候尽快行动，才能实现最大效果。
该研究中，研究者使用的“反事实推理模型框架”是2021年7月由MIT和斯坦福大学提出的一种基于机器学习的因果分析模型架构，最初应用于经济促进政策如减税对GDP增长的影响分析。该模型使用了反事实逻辑进行算法设计，表现为假设“如果没有……就会（不会)……”通常在公共管理领域用来评估政策影响。
对本研究而言，简单理解就是，先用一套机器学习模型，基于所有国家在所有未实施管控政策时的数据构建病毒有效传播数Rt的拟合模型，用“反事实推理模型框架”来预测某地如果不采取防控措施下（反事实）病毒有效传播数Rt值，以及该地实施防控措施后的病毒有效传播数Rt真实数据，通过计算两个数据的差值的期望值，得到该防控措施的平均效应值。
据了解，广州呼吸健康研究院院长何建行和腾讯健康副总裁吴文达为该论文的共同通讯作者，钟南山院士为指导作者，广州呼吸健康研究院的梁文华教授、杨子峰教授、曾志奇博士，以及腾讯天衍实验室的孙继超博士、郑冶枫博士，为这项新研究的共同第一作者。
