截止到2020年4月4日，全世界累計确診人數已經超過了100萬人，彙集的各種數據我也終于可以做個較詳細的分析。整體的分析形成三大塊，疫情趨勢、資源與管控措施，傳染機制的圖數據分析和模拟以及基礎疾病與新冠肺炎，整體包括了經濟學、數據分析以及微觀健康以及臨床醫學數據，轉載數據請标明出處。

疫情發展趨勢有非常多的方法，其動力學方程是以SEIR為代表，但當考慮到管控手段其SEIR模型預測的結果有較大偏差，在這裡我們考慮一個新的途徑，這個途徑的目的是重建資源匹配在救治中的地位、利用已有經驗信息、最大程度考慮管控手段的效果同時能夠對一些焦點問題進行評估。就像給EMBA上課時專門講資源匹配重要性一樣，我在這裡考慮了這個因素的影響實際上是最主要的不同，其他的兩個也是它的反應，并影響到模型的架構。

一、引入新的概念微觀疾病狀态轉移矩陣作為人群分類的補充

疾病狀态轉移矩陣的獲取和趨勢變化，微觀個體在感染新冠肺炎後随着時間推移會處于不同的狀态，這樣的狀态轉移矩陣是醫學救治的範疇，并不等同于SEIR模型的人群劃分，但是它自身又特别重要，因為它決定了對于新冠肺炎這一傳染病，整個醫療系統應對的效果，并決定了醫療資源的配置。最初我們按照國家衛生健康委員會救治指南中劃分了輕症、普通型、重症和危重症。在這當中有部分數據是無法獲得的，我們通過定義最終的治愈率偏差并優化該結果獲得不同時期的轉移結果，同時對已經獲得結果的其他國家進行了對比。

 

說明：

1. 該數據主要是基于優化結果計算的，轉為excel格式，該數據沒有考慮反複過程，也沒有考慮無症狀感染者，但這部分結果已經測算出來另行給出。數據僅供參考，如果引用請标注出處。

2. 該數據通過小樣本實際病例數據進行了糾正，實際上是進行了一個半監督學習；

3. 從以上數據可以看到其最終90%危重症救治率和國家衛健委公布的88%的救治率比較接近，在當前救治力量集中于危重症救治的階段，一方面醫療資源可以大量應用，最大限度做到應用盡用，但是另外一方面等待救治的危重症的情況越來越複雜，并發症和合并症仍存在較大挑戰，是一個和死神搶奪生命的關鍵時期，希望救治率繼續提升。

4. 普通型确診患者切不可掉以輕心，從數據可以看到，如果不經過醫療幹涉，其轉化為非輕症（即重症和危重症）比率很高，最開始醫療力量跟不上就是這種情況，接近一半多的概率，并不是說自己在家硬抗就可以扛過去，這一點才是所謂的“群體免疫”不能實施的基礎，做一個簡單的數據實驗：如果有10萬确診患者，如果不加幹涉，就會産生50000重症患者，這樣突如其來的醫療資源擠占，是許多國家都無法承受的，而如果進行幹涉，類似于後期的結果，隻有10000多人，而且還是逐步轉化的，這本身是一個資源的問題。

5. 醫療資源在這個過程中很重要，正是全國醫療資源馳援武漢，10%的重症救護力量集中在武漢，才最終獲得了這樣斐然的成績。

二、關于資源的投入

我們在優化中，通過蒙特卡洛模拟來生成狀态轉移矩陣随時間變化過程中的資源占有情況（顯然，在醫療資源投入下，不同時期的轉移概率不同，舉例來說，重症被救治的概率越來越高了），在這裡資源投入是條件概率拟合的一個因素。這方面沒有及其精确的數據，但是可以根據小樣本數據的治療項目（這需要對醫院管理熟悉的朋友才理解），簡單說就是一個人治病的過程中所“占有的”資源情況。通過多次模拟可以給出不同階段的資源投入情況，其大約比例如圖，需要提醒的是這樣的數值僅僅是做個對比，更詳細的結果更适合做成動态圖。

三、救治的時間變化。

概率矩陣在不同階段轉換時間實際上就是救治的時間，這裡我們考慮了反向拟合的概率結果有連續變化的特征，綜合實際中資源匹配的三個階段，即（資源緊張-擠兌階段，資源緩和階段，資源過度階段），由此定義的轉換概率矩陣中的危重和重症轉化變化31.6%作為劃分。

 

 

随着資源的投入越來越多，整體救治時效都有了提升，但是資源投入并不意味着救治過程有極大的提升，這本質上因為還沒有有效的藥品，整個治療還不能在時間方面有更好提升。

特别值得注意的是，在沒有疫苗或者有效藥品的時候（目前看2020年疫苗能夠應用的可能性很小），較為穩定的救治時間意味着較為穩定的資源投入，這進一步說明新冠肺炎救治的艱巨，冰冷的數字就是這麼殘酷，在此時，資源投入決定了最終的效果。

四、将資源投入考慮為趨勢預測的一個重要因素。

該因素與政府管控措施，個體的執行措施結合，然後由過去的曆史數據構建模型，為了方便我們這裡使用了循環深度網絡作為方案，并将上述三個因素作為傳染病模型的控制參數來作為損失函數的一部分，訓練方案采用随機梯度下降。在結果中，主要回答這樣幾個問題：

1. 疫情發展趨勢。所有的傳染病都是要經曆過一個上升平台下降的過程，但用這個來說明疫情發展趨勢過于粗糙，實際上因為以上三個因素的不同，其發展趨勢各異，在我們測算的數據中，很少發現完全一樣的形式，例如這裡給出了模拟出來的過程，為了方便我添加箭頭表示對應國家所處的階段。這裡特别需要說明的是德國的情況有些特殊，一個特殊是因為資源的充分性（ICU病床數量等，新冠肺炎所涉及到的資源從藥品到ECMO大類平均17個，小類上百項目，我們這裡是粗略估計了核心資源，比如沒有ICU病床數其他的所有資源意義都不大），另外一個原因是其平衡之後的重症和普通症的治愈同步性，其形成了一個明顯的速降狀态。

2. 按照當前的條件，世界各個國家的峰值不是同時到來，從3月27日開始到4月21日分批到來，由此形成的不同國家的輸入輸出沖擊也非常巨大，具有代表性的就是類似與新加坡這樣嚴重依賴外貿和金融的國家可能面臨更大的困難。

3. 同樣由于這樣的事實，限制跨國人員流動至少要等到5月中下旬才有可能緩解，實際上，我們還沒有完成對部分宏觀因素的導入，所以這仍然是一個樂觀估計。

4.全世界由此确診的人數将達到192萬到307萬之間，至于為什麼這麼大的Gap，實際上我覺得都已經不重要了。  

5.我們無法對一些醫療資源不足的國家進行建模，因為建模結果（當資源供給比低于4這個阈值的時候，結果是一個不收斂的結果），現實中我們不希望看到這樣的結果，所以我們限定了最低資源比大于5.73。  

五、政策管控的跳躍式和漸進式

跳躍式是指迅速采取措施，它表現在對應的參數是離散的，階躍函數，其導緻的緩沖間隔極小，類似于我國采取的措施，其形成的誤差特征是可以形式給出；而漸進式的措施是根據疫情趨勢而逐漸加碼，看起來是一個連續函數形式，這裡我們用樣條函數（貝塞爾曲線的控制點來實現）.

可以看到，将資源考慮進去之後，管控措施的效果其實和傳染率R以及資源效率都有關系是一個曲面，畢竟不是學術的東西，我就選取了一個角度的投影，可以看到不同政策的結果，需要注意的是，這裡的效果是通過（感染人數，死亡人數，治愈率的倒數）向量狀态表現的，從圖中看是越低越好。

簡單說：當考慮資源的時候，漸進式在較小的傳染率情況下有相對比較好的效果，這是因為資源的調配來得及應對“并不那麼瘋狂”的沖擊，但是如果R很大，情況就不一樣了，兩者的交叉點在2.5左右，實際上考慮到模拟結果的原理，數值還會更小點。

不想牽涉到任何誰好誰壞的争論中，但是治理和管理也是一門科學，應該考慮到情況的不同的，根據研究，covid-19在多數論文中都超過了3，在最早期的一些論文中有低于2的估計，而目前的一些預印本研究表明，R是有差異的，我個人認為，這種國家的差異是因為資源因素在模型中被忽略的結果。

以上就是我第一部分的分析，順便補充幾個其他人公開發表的（而不是預印本）的研究：

1.  O型血相對風險較小；

2. 病死率随着年齡增加而增加（符合多數疾病特征），老年人病死率較高；

3. 密閉空間口罩很有必要（帶不戴口罩怎麼會成為争論焦點，我好暈）

以下是我個人醫學推斷和提醒，僅供參考：

1. 個人猜想代謝在對抗新冠病毒入侵中作用很大。細胞新陳代謝增加，可以降低病毒感染的“失活細胞”影響，給予身體免疫能力的反應時間。同時已經有很多研究表明，免疫力一定程度上與代謝有緊密關系，盡管關系複雜，但通常代謝提升會提升免疫力。我講的最受歡迎的健康管理科學課程的核心就是重建代謝機制，實踐中包括某些嚴格的實驗确實在體能、慢性病等方面給聽課人帶來了難以想象的改善效果，但因為并沒有傳染病和冠狀病毒的數據，所以隻是猜想。

2. 在當前的情況下，有效的疫苗難度很大，這是當前mRNA這種疫苗構建方式的可測試數量和反饋時間決定的。

3. 盡管基礎性疾病和老人病死率較高，但是就感染率來說年輕人和老年人差别不大，這是因為這種病毒是一種新型病毒，免疫系統的四道防線對其都不具有識别和發現的能力，所不同的是感染之後的狀态。

4. 普通意義上的身體強壯和身體免疫力強是兩個概念，如果你聽了我的課就知道我定義的身體素質強和大家說的身體素質強不是一回事，即莫用自己的身體強壯來覺得感染新冠病毒沒事。

5. 要區分免疫力強和免疫力優的概念，過度的免疫反應實際上是很多緻死的原因，即免疫力風暴或者因子風暴。公開渠道或者課程裡，我一直說是打造優化的免疫系統。