W我们都想回到我们的生活——出去喝一杯，看一场电影，拥抱我们的父母和祖父母，让我们的城市恢复生机。病毒什么时候能得到控制?我们如何衡量呢?
关于COVID-19的很多媒体报道都谈到R0或“r - 0”，每个病人感染的平均人数。如果R0大于1，病例呈指数增长，流行病在人群中传播。但如果我们能保持R0在1以下，我们可以将疾病限制在孤立的爆发，并将其控制住。这产生了大量的网站估计R0在每个国家或每个国家，治疗R0= 1作为成功的定义。
我们所说的“超级传播者”指的是具有高病毒载量的个体。更准确的说法是超级传播事件。
但R0只是平均水平。你保持社交距离的能力取决于你是急救人员还是卫生保健工作者，你是否必须在近距离工作，或者你是否可以在家里舒适地工作。(我是为数不多的在花园里写这篇文章的幸运儿之一。)这取决于你对政府警告的重视程度，以及你的政府对公共卫生专家的警告的重视程度。这取决于你的家庭和家庭的结构。
其结果，R0不只是在不同地区，在不同的社交领域也有很大的差异。在新墨西哥州，圣达菲的新病例很少，但在低收入的农村地区，病例呈爆炸式增长。截至5月12日，57%的确诊病例是印第安人，尽管这个群体只占该州人口的11%。很明显R0在国家和社会的某些部分比其他部分更大。
而且,即使R0小于1，疫情可能会大得惊人。假设你感染了10个人，你感染每个人的概率是8%。你感染的平均人数是10×0.08 = 0.8，少于1人。但你感染的人可能会反过来感染其他人，以此类推。如果疫情从你开始，你会有多少“后代”?一个经典的计算表明，如果R0= 0.8，该链反应中的平均人数为1 /（1-0.8）= 1 / 0.2 = 5。但是喜欢R0就其本身而言，这只是一个平均值。就像地震和森林火灾一样，在经常发生大型事件的地方，疫情也有一个“重尾”。
这是100个随机爆发的可视化。平均大小确实是5，大多数爆发都很小。但大约1％的尺寸为50或更多，平均值的10倍，并且在这个模拟中，这100个爆发中最大的爆发的大小为82.如果R0刚好在临界点以下R0= 1。如果R0=0.9时，平均爆发规模为10，但有1%的爆发规模为140或更多。
这条尾巴有实际作用。假设有100个小镇，每个小镇都有一家医院，可以处理10个病例。如果每个城镇都有平均数量的病例，它们就能安然度过这场风暴。但很有可能其中一个会有50或100个，创造一个超出他们反应能力的“热点”。
如果我们加上“超级传播”，大型活动的尾部就会变得更重。我们经常谈论“超级传播者”，指的是病毒载量较高的个体，或者是选择或必须与许多人互动的个体。但更准确的说法是谈论超级传播的事件和情况，比如百健公司会议、合唱排练、猪肉加工厂、监狱和养老院，在这些地方，病毒传播给了许多在场的人。
假设20%的病例产生1个新病例，10%产生2个，4%产生5个，1%“超级传播”产生20个(其余65%没有感染任何人)。新增病例的平均数量再次上升R0= 0.8。让我们通过这个新的场景生成100个随机爆发。
平均爆发规模仍然是5次，但现在尾巴重多了。如果100个原始病例中有一个与超级传播有关，我们就会爆发大规模疫情。如果有好几代的超级传播，其规模就会成倍增长。因此，大规模疫情很常见，在本次模拟中最大的一次疫情中有663人。
这一切意味着什么?首先，如果只看全州或全国的平均水平就庆祝“如果”，这可能会误导人R0似乎跌破1.疫情仍然可以在特定的地方或特定群体中肆虐。
第二，即使我们能坚持R0低于1，我们需要为热点做好准备。即使平均暴发很小，由于超级传播或仅仅是偶然，也会发生大规模暴发。如果我们在检测和接触者追踪方面做得很好——利用技术和人力——我们将控制住这场大流行，但在可预见的未来，它将在某些时间和地点爆发，并使当地资源紧张。在这些突发事件中，我们必须尽我们最大的努力互相帮助，并希望明智、慷慨的声音占上风。
Cristopher Moore是Santa Fe Institute的教授。他在物理学和计算机科学之间的界限上发表了超过150篇论文，包括社交网络和分析结构的算法理论。He is an elected fellow of the American Physical Society, the American Mathematical Society, and the American Association for the Advancement of Science.凭借Stephan Mertens，他是作者计算的性质。
本文摘自本系列，传播:SFI对COVID-19的洞察最初由圣达菲研究所(Santa Fe Institute)发表。
主要图片:非洲工作室/ Shutterstock
额外阅读
Hébert-Dufresne, L.， Althouse, b.m.，Scarpino, s.v.， & Allard, A. BeyondR0:继发性感染和流行概率预测的异质性。https://arxiv.org/abs/2002.04004(2020)．
Lloyd-Smith，J.O.，Schreier，S.J.，Kopp，P.E.，＆Getz，W.M.超涂层和个体变异对疾病出现的影响。自然438, 355 - 359(2005)。
