传染病建模与预警
传染病建模与预警在过去二十年里的真正变化，不是设备更多、数据更大或制度文件更厚，而是责任链从单个临床事件转向了可追踪的系统关系。本块以“从事后病例曲线走到多源实时推断，未检测感染、模型不确定性与预警失败是否进入分母”为共同碰撞面，选择二十个改变过默认前提的思想：前八条落在约2006—2016年，后十二条落在约2016—2026年。每条同时回答四件事：谁把什么问题重新命名，哪组读数让它站住，在哪些条件下方向会反过来，以及现行账本仍把什么当作噪声或根本不设字段。读者可以把正文当作领域转向清单，也可以直接扫描八字段碰撞行，按S／D／E位置、共有前提族、可通约量纲和内部自曝取料。本块特别避免把未上报、未入组、未接触服务或未被监管覆盖的人从分母中抹去，因为这些“看不见的对象”往往正是医院质量、公共卫生与公平研究之间责任链断裂的位置。
第一幕记录传染病建模与预警从局部技术改良走向可测量流程的阶段。共同动作是把原先依赖经验、专家权威或单一终点的判断，改写成可以比较分母、复算失败并追到责任节点的证据。
甲、实时再生数把传播速度变成动态量Real-Time Reproduction Number
这条转向出现以前，疫情早期常用累计病例和固定R0描述传播，干预后变化和报告延迟难以及时反映。在实时再生数把传的对象核查中，本项先把“无症状尚未检测、输入病例和报告日期错位”放回分母，再判断可见结果是否代表总体。实时再生数把传播速度变成动态量若迁移到低资源环境，人员时间和基础设施必须作为真实分母而非背景说明。
它把可反驳主张写成：决定当前传播是在扩张还是收缩的唯有瞬时再生数能否由发病间隔与近期病例估计，而不是累计曲线斜率。旧口径遮住的是失败对象的去向；本项要求其与成功对象在同一观察窗内结算。未说出口的前提是“谁进入分母”：只有进入“产生这些病例的感染者数”的人或事件才有资格被比较，无症状尚未检测、输入病例和报告日期错位可以留在分母之外。
研究者在2013年前后给出的核心材料是：Cori等提出EpiEstim框架，用滑动窗口估计Rt并给出可信区间，后来广泛用于埃博拉、COVID-19和地方暴发。可跨机构比较的量纲不是“效果更好”，而是“以本地继发病例数占产生这些病例的感染者数的比例核算”，它同时暴露实时再生数把传播速度变成动态量的覆盖率与选择性。以实时再生数把传为对象，这一点也使本条可以进入跨面板配对，而不是只在本领域内部重复同一种语言。以实时再生数把传为对象，主证据的归幕年份为2013年，该时点固定了对象与观察窗。 证据锚点仍是Cori A, Ferguson NM, Fraser C, Cauchemez S. A New Framework and Software to Estimate Time-Varying Reproduction Numbers. Am J Epidemiol. 2013;178:1505-1512.；以实时再生数把传为对象，它固定了原始对象、年份与出处，独立复核不得用异题评论替换。以实时再生数把传为对象，本条固定2项可核量：分子“本地继发病例数”与分母“产生这些病例的感染者数”，复核时不得只报前者。
独立实施暴露了一个反号条件：当代际间隔变化、病例漏报随时间改变或输入病例未区分时，Rt会反过来把监测变化误作传播变化。因此本条允许被明确证伪：当代际间隔变化、病例漏报随时间改变或输入病例未区分时，Rt会反过来把监测变化误作传播变化，应观察到方向反转，而不是仅仅“效果变小”。
它进入现场后改变了具体动作：公共卫生开始将Rt与住院、检测和政策时间线并列，避免单一阈值触发。本项拒绝把采用率当成效果；以实时再生数把传为对象，真正的验收量是失败边界出现后读数是否按预期改变。以实时再生数把传为对象，本条最重要的负知识，是明确指出在哪些现场不应沿用同一结论。
本项先把“未记录对象”放回分母，再判断可见结果是否代表总体。
乙、航空网络把地方暴发改成全球传播Air-Travel Metapopulation Models
此前的主流做法把问题压缩为：传染病模型常把城市视为封闭均匀人群，跨境流动只在病例输入后被解释。结果是陆路、非正式迁移和尚未被航班数据记录的流动既不算失败，也不算观察；航空网络把地方暴发改成全球传播把这个空栏重新变成待解释对象。航空网络把地方暴发改成全球传播的独立复核还应报告未完成、退出和无法分类的数量，防止成功样本自我筛选。
真正的转折在于一个单因判断：决定疫情全球扩散次序的唯有城市间旅行网络与局地传播能否耦合，而不是地理距离。以航空网络把地方为对象，若只保存终点图表，第三方无法恢复筛选次序；因此过程记录本身属于证据。要让原命题成立，还必须默认“谁进入分母”，即只有进入“观察到的受影响城市数”的人或事件才有资格被比较，陆路、非正式迁移和尚未被航班数据记录的流动可以留在分母之外。
该命题取得地位，靠的是原始研究留下的具体读数：2006年前后出现的具体观察：Colizza等用全球航空网络构建随机元种群模型，显示高度异质连接改变传播路径与预测不确定性，随后用于H1N1等。证据的判决点落在“以被模型正确预测的城市到达顺序数占观察到的受影响城市数的比例核算”而非单个显著性值，这使别的现场可以按本条的同一分母复算。 主证据的归幕年份为2006年，该时点固定了对象与观察窗。就航空网络把地方的实证锚点而言，本条固定2项可核量：分子“被模型正确预测的城市到达顺序数”与分母“观察到的受影响城市数”，复核时不得只报前者。
Colizza V, Barrat A, Barthélemy M, Vespignani A材料中最有信息量的，是其已经公开的边界：当航空数据忽略陆路、旅行行为因风险改变或边境措施影响选择时，网络会反过来过度确定输入路径。原文自述的限制是当航空数据忽略陆路、旅行行为因风险改变或边境措施影响选择时，网络会反过来过度确定输入路径；以航空网络把地方为对象，若本条的主报告仍只展示平均值，失败机制便再次被藏起。
实践端的变化不是多一份倡议，而是：模型推动机场枢纽监测、旅行场景和跨国数据共享，但也显示封关效果依时机。以航空网络把地方为对象，这使本条的资源配置、人员权限和失败反馈成为同一闭环；陆路、非正式迁移和尚未被航班数据记录的流动必须拥有独立字段。
证据责任落在可复算路径：对象如何进入、何处退出、退出后怎样改变结论，三步缺一不可。
丙、多模型集合取代单一最佳模型Ensemble Forecasting
在证据改变之前，疫情预测常由一个团队给出一条曲线，结构假设错误与参数不确定性被隐藏在单一输出。在多模型集合取代的对象核查中，这里的判决不靠术语声望，而靠“以被真实值覆盖的预测区间数占发布的预测区间总数的比例核算”在独立样本中是否保持方向。
真正的转折在于一个单因判断：决定预测稳健性的唯有结构不同的模型能否按历史表现组合并保留分歧，而不是选择一个“最先进”模型。在多模型集合取代的机制核查中，该命题的强处在可反驳：越过“当参及模型共享同一错误数据、权重追随短期表现或异常季节无历史可学时，方向反过来。”，结果必须允许翻转。未说出口的前提是“谁进入分母”：只有进入“发布的预测区间总数”的人或事件才有资格被比较，尚尚尚未参赛模型、失败提交和目标定义改变的预测可以留在分母之外。
改变同行判断的是Reich NG等在2019年留下的实测结果：合作评估横跨79个流感周、28个模型；进入比较的模型至少提交47周预测，集合模型的加权区间得分约0.61，通常比单一“最佳模型”更稳定。若只报其中较好的分子，而不保留“以被真实值覆盖的预测区间数占发布的预测区间总数的比例核算”的完整分母，结论会被放大。 在多模型集合取代证据链中，原始锚点仍是Reich NG, et al. A Collaborative Multiyear, Multimodel Assessment of Seasonal Influenza Forecasting in the United States. Proc Natl Acad Sci USA. 2019;116:3146-3154.；以多模型集合取代为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。
反方质疑集中在下列条件，而不是抽象否定该议题：当参与模型共享同一错误数据、权重追随短期表现或异常季节无历史可学时，集合会反过来形成一致偏误。以多模型集合取代为对象，当场景、尺度或时间窗改变时，先复算共同分母，再讨论机制是否仍成立。 对多模型集合取代的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；以多模型集合取代为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
组织采用本条后，责任时点被重新安排：预警平台发布中位预测、区间和模型分布，并保留单模型诊断。以多模型集合取代为对象，原证据保留了一个明确锚点，但没有自动覆盖边界外对象；推广责任由此独立存在。本条的独立复核还应报告未完成、退出和无法分类的数量，防止成功样本自我筛选。 围绕多模型集合取代的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
这里的判决不靠术语声望，而靠“共同读数”在独立样本中是否保持方向。
丁、综合征监测把预警前移到诊断之前Syndromic Surveillance
这一思想要推翻的起点是：传染病报告依赖实验室确诊和逐级上报，急诊主诉、缺勤和药店销售被视为非特异噪声。原框架无法给尚尚尚未就医、无电子主诉和非参与机构中的病例命名，综合征监测把预警前移到诊断之前的第一步便是修正分母与起算点。综合征监测把预警前移到诊断之前最重要的负知识，是明确指出在哪些现场不应沿用同一结论。
它把可反驳主张写成：决定早期信号价值的唯有症状模式能否在确诊前异常且经后续验证，而不是数据量。以综合征监测把预为对象，比较从平均值转向对象级账本，尤其检查被合并、退出和未分类三类记录。未说出口的前提是“有限近似控制无限对象”：现有样本、时间窗与观测字段足以控制综合征监测把预警前移到诊断之前尚未穷尽的对象。
2009年前后，最有判决力的证据是：美国BioSense和地方系统在流感、热病与灾害中汇聚急诊主诉，速度提高但假警报与数据标准长期受争议。在综合征监测把预的读数核查中，这条转向改变的是对象边界：原先称作噪声的余数，现在成为检验机制的反例入口。 证据锚点仍是Buehler JW, et al. Syndromic Surveillance and Bioterrorism-Related Epidemics. Emerg Infect Dis. 2009;15:1-9.； 在综合征监测把预证据链中，原始锚点仍是Buehler JW, et al. Syndromic Surveillance and Bioterrorism-Related Epidemics. Emerg Infect Dis. 2009;15:1-9.；以综合征监测把预为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。就综合征监测把预的实证锚点而言，本条固定2项可核量：分子“经实验室或调查确认的异常信号数”与分母“系统发出的候选异常数”，复核时不得只报前者。
证据一旦离开原研究条件，首先暴露的限制是：当医疗利用变化、编码升级或参与机构更换时，异常会反过来来自系统而非疾病。Buehler JW, et al关于本条的文献链也把这一点列为限制；当医疗利用变化、编码升级或参与机构更换时，异常会反过来来自系统而非疾病，原来的优势可能转成风险。 争议记录为（未检出可确认的同题独立反驳；边界见正文第四段。）；以综合征监测把预为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。 对综合征监测把预的争议记录是（未检出可确认的同题独立反驳；
它进入现场后改变了具体动作：公共卫生建立基线、季节校正、人工审查和与实验室数据的确认链。尚尚尚未就医、无电子主诉和非参与机构中的病例必须拥有独立字段。 围绕综合征监测把预的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
旧口径遮住的是失败对象的去向；本项要求其与成功对象在同一观察窗内结算。
戊、病原基因组把传播链从访谈推到序列Genomic Epidemiology
这条转向出现以前，暴发调查依赖接触史和时空重合，隐匿传播与相似病例难以分辨。结果是尚尚尚未采样感染、低病毒量和缺少地点时间元数据的序列既不算失败，也不算观察；病原基因组把传播链从访谈推到序列把这个空栏重新变成待解释对象。因此过程记录本身属于证据。
真正的转折在于一个单因判断：决定传播链能否被重建的唯有病原序列差异能否与采样时间地点共同解释，而不是病例访谈单独成立。在病原基因组把传的机制核查中，本项把测量窗口固定下来，防止短期改善替代长期结局，也防止版本变化伪装成进步。要让原命题成立，还必须默认“有限近似控制无限对象”，即现有样本、时间窗与观测字段足以控制病原基因组把传播链从访谈推到序列尚未穷尽的对象。
Gire SK等在2014年的原始材料给出一组可复算读数：研究从78名塞拉利昂患者获得99个埃博拉病毒基因组，识别341个与既往序列不同的替换并观察到3条主要谱系；序列把多次动物输入与单次输入后的社区传播区分开来。这使“以具有足够序列支持的传播簇数占调查识别的候选传播簇数的比例核算”能够按同一分母比较，而不是只保留成功案例。 证据锚点仍是Gire SK, et al. Genomic Surveillance Elucidates Ebola Virus Origin and Transmission during the 2014 Outbreak. Science. 2014;345:1369-1372.； 在病原基因组把传证据链中，原始锚点仍是Gire SK, et al. Genomic Surveillance Elucidates Ebola Virus Origin and Transmission during the 2014 Outbreak. Science. 2014;345:1369-1372.；以病原基因组把传为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。
独立实施暴露了一个反号条件：当采样稀疏、进化速率低、实验污染或序列共享延迟时，基因树会反过来被误读为确定接触链。以病原基因组把传为对象，可迁移性取决于谁被排除以及排除发生在哪一步，这两项都应成为结构化字段。 争议记录为（未检出可确认的同题独立反驳；边界见正文第四段。）； 对病原基因组把传的争议记录是（未检出可确认的同题独立反驳；以病原基因组把传为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
它进入现场后改变了具体动作：公共卫生建设测序实验室、元数据标准和快速共享，同时要求隐私与不确定性说明。以病原基因组把传为对象，复核时还须冻结对象定义、观察窗口、停止规则与资源预算，并逐一登记退出、未分类和未进入记录的对象。 围绕病原基因组把传的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
若只保存终点图表，第三方无法恢复筛选次序；
己、代理人模型模拟个体接触与政策Agent-Based Epidemic Models
此前的主流做法把问题压缩为：经典模型把人群混合平均化，学校、家庭、工作与交通接触结构通过单一参数表示。只看显露出来的病例会漏掉非正式接触、行为适应和模型尚未包含的机构；代理人模型模拟个体接触与政策由此重画了对象边界。对照Ferguson NM, et al对代理人模型模拟个体接触与政策的原始定义，现场任何简化都应说明删掉了哪一类对象。
这项工作拒绝“都很重要”的退路，主张：决定干预效果的唯有个体接触网络与行为变化能否被显式模拟，而不是平均传播率。在代理人模型模拟的机制核查中，执行层面的最低责任是同时报告分子、分母和未完成者，而不是只公布最佳批次。要让原命题成立，还必须默认“有限近似控制无限对象”，即现有样本、时间窗与观测字段足以控制本条尚未穷尽的对象。
关键证据并非技术宣传，而是2006年前后的可复算结果：Ferguson等2006年用大规模个体模型比较流感隔离、学校关闭、抗病毒和疫苗组合，显示时机与覆盖强烈影响结果。 证据锚点仍是Ferguson NM, et al. Strategies for Mitigating an Influenza Pandemic. Nature. 2006;442:448-452.； 在代理人模型模拟证据链中，原始锚点仍是Ferguson NM, et al. Strategies for Mitigating an Influenza Pandemic. Nature. 2006;442:448-452.；以代理人模型模拟为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。围绕代理人模型模拟的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。以代理人模型模拟为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。 在代理人模型模拟证据链中，原始锚点仍是Ferguson NM, et al. Strategies for Mitigating an Influenza Pandemic. Nature. 2006;442:448-452.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
该结论最需要防止的外推发生在：当合成人口、接触参数和行为规则未经独立校准时，精细模型会反过来产生精确幻觉。推广责任由此独立存在。 争议记录为（未检出可确认的同题独立反驳；边界见正文第四段。）； 对代理人模型模拟的争议记录是（未检出可确认的同题独立反驳；以代理人模型模拟为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。以代理人模型模拟为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
真正的落地发生在数据与交班层：应急规划采用代理模型测试组合政策，但需发布参数、代码和敏感性分析。以代理人模型模拟为对象，复核时还须冻结对象定义、观察窗口、停止规则与资源预算，并逐一登记退出、未分类和未进入记录的对象。
该命题的强处在可反驳：越过“适用边界”，结果必须允许翻转。
庚、数字疾病侦测利用搜索与新闻Digital Disease Detection
此前的主流做法把问题压缩为：官方监测依赖医疗系统，网络搜索、新闻和社交媒体被视为未经验证的信息。只看显露出来的病例会漏掉不联网、平台外语言和尚未公开算法变化造成的信号；数字疾病侦测利用搜索与新闻由此重画了对象边界。数字疾病侦测利用搜索与新闻的独立复核还应报告未完成、退出和无法分类的数量，防止成功样本自我筛选。
它要求研究者先接受一条可被推翻的断言：决定数字信号能否补充预警的唯有在线行为与疾病活动的关系能否在变化平台上持续校准，而不是相关系数。在数字疾病侦测利的机制核查中，这条转向改变的是对象边界：原先称作噪声的余数，现在成为检验机制的反例入口。要让原命题成立，还必须默认“聚合次序不影响结论”，即先按机构、地区或群体聚合再比较，不会改变数字疾病侦测利用搜索与新闻的方向。
Ginsberg J等在2009年把该主张交给数据检验：Google Flu Trends用约4500万条候选查询筛出45个关键词，可比CDC门诊监测提前约1—2周；但2012—2013季高估超过一倍，证明平台行为会改写信号。只有把这些结果还原到“以经传统监测确认的数字异常数占数字系统发出的异常总数的比例核算”，不同机构的成功率才是同一个量。 证据锚点仍是Ginsberg J, et al. Detecting Influenza Epidemics Using Search Engine Query Data. Nature. 2009;457:1012-1014.； 在数字疾病侦测利证据链中，原始锚点仍是Ginsberg J, et al. Detecting Influenza Epidemics Using Search Engine Query Data. Nature. 2009;457:1012-1014.； 在数字疾病侦测利证据链中，原始锚点仍是Ginsberg J, et al. Detecting Influenza Epidemics Using Search Engine Query Data. Nature. 2009;457:1012-1014.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
这一主张的反例入口很清楚：当媒体关注改变搜索、平台算法不透明或无互联网人群缺失时，数字侦测会反过来放大恐慌。 争议记录为（未检出可确认的同题独立反驳；边界见正文第四段。）； 对数字疾病侦测利的争议记录是（未检出可确认的同题独立反驳；以数字疾病侦测利为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
真正的落地发生在数据与交班层：领域转向将数字信号与传统监测融合、持续重校准并公开失败。资源成本不是背景变量；在数字疾病侦测利的治理核查中，若发现“不联网、平台外语言和尚未公开算法变化造成的信号”需要额外投入，该投入必须入分母。对照Ginsberg J, et al对本条的原始定义，现场任何简化都应说明删掉了哪一类对象。 围绕数字疾病侦测利的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
比较从平均值转向对象级账本，尤其检查被合并、退出和未分类三类记录。
辛、疫苗策略模型从个体效力走到群体配置Vaccine Strategy Modelling
早期制度通常默认，疫苗决策常按个体效力和总剂量评价，年龄、接触、间接保护与供给时机分开处理。原框架无法给无法接种、尚未登记和供应链未覆盖的人群命名，疫苗策略模型从个体效力走到群体配置的第一步便是修正分母与起算点。疫苗策略模型从个体效力走到群体配置的研究者还应把无效尝试与替代路径留在附表，否则下一轮会重复同一不可见失败。
本条把主张压成一条可被反驳的单因式：决定人群获益的唯有有限剂量能否配置到最能减少传播或重症的群体，而不是平均覆盖率。证据能支持的范围止于已观察对象；对“无法接种、尚未登记和供应链未覆盖的人群”的外推必须另行检验。要让原命题成立，还必须默认“聚合次序不影响结论”，即先按机构、地区或群体聚合再比较，不会改变本条的方向。
把这条主张立住的读数来自2008年前后的研究：流感和HPV模型显示直接保护高风险者与阻断传播儿童之间存在目标权衡，Halloran等发展群体效应与干预设计框架。可迁移性取决于谁被排除以及排除发生在哪一步，这2项都应成为结构化字段。 证据锚点仍是Halloran ME, Ferguson NM, Eubank S, et al. Modeling Targeted Layered Containment of an Influenza Pandemic in the United States. Proc Natl Acad Sci USA. 2008;105:4639-4644.； 在疫苗策略模型从证据链中，原始锚点仍是Halloran ME, Ferguson NM, Eubank S, et al. Modeling Targeted Layered Containment of an Influenza Pandemic in the United States. Proc Natl Acad Sci USA. 2008;105:4639-4644.；以疫苗策略模型从为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。 在疫苗策略模型从证据链中，原始锚点仍是Halloran ME, Ferguson NM, Eubank S, et al. Modeling Targeted Layered Containment of an Influenza Pandemic in the United States. Proc Natl Acad Sci USA. 2008;105:4639-4644.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
争议最终集中到可检查的现场条件：当疫苗犹豫、交付速度和免疫衰减未计时，最优策略会反过来不可实施。原文自述的限制是当疫苗犹豫、交付速度和免疫衰减未计时，最优策略会反过来不可实施； 对疫苗策略模型从的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；以疫苗策略模型从为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
制度层面的变化首先出现在：模型进入大流行预案、年龄优先和剂量间隔讨论，并要求目标函数公开。以疫苗策略模型从为对象，复核时还须冻结对象定义、观察窗口、停止规则与资源预算，并逐一登记退出、未分类和未进入记录的对象。 围绕疫苗策略模型从的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
本项把测量窗口固定下来，防止短期改善替代长期结局，也防止版本变化伪装成进步。
第二幕的共同动作是把传染病建模与预警嵌入数字系统、跨机构治理与公平约束。新工具扩大了覆盖，也制造了新的空栏：算法未覆盖者、平台外人群、无法标准化的事件，以及因成本和制度门槛而从未进入数据的人。
一、COVID-19即时估计把报告延迟显式化COVID-19 Nowcasting
此前的主流做法把问题压缩为：疫情曲线按报告日绘制，最近日期因尚未上报看似下降，政策容易把数据截尾当趋势。当尚尚尚未检测感染、家庭自测和延迟机制突变被排除后，成功率看似稳定；COVID-19即时估计把报告延迟显式化则把这类“无字段事件”纳入责任链。在COVID-1的对象核查中，执行层面的最低责任是同时报告分子、分母和未完成者，而不是只公布最佳批次。
这项工作拒绝“都很重要”的退路，主张：决定当前疫情水平估计的唯有发病到报告的延迟分布能否实时更新，而不是最新报告数。要让原命题成立，还必须默认“聚合次序不影响结论”，即先按机构、地区或群体聚合再比较，不会改变COVID-19即时估计把报告延迟显式化的方向。
2020年前后，最有判决力的证据是：EpiNow2等贝叶斯工具在2020年估计感染、Rt和延迟，多个国家用nowcast补偿右截尾并发布不确定区间。推广责任由此独立存在。对照Abbott S, et al对本条的原始定义，现场任何简化都应说明删掉了哪一类对象。 证据锚点仍是Abbott S, et al. Estimating the Time-Varying Reproduction Number of SARS-CoV-2 Using National and Subnational Case Counts. Wellcome Open Res. 2020;5:112.； 在COVID-1证据链中，原始锚点仍是Abbott S, et al. Estimating the Time-Varying Reproduction Number of SARS-CoV-2 Using National and Subnational Case Counts. Wellcome Open Res. 2020;5:112.；就COVID-1的实证锚点而言，本条固定2项可核量：分子“最终落入预测区间的即时估计数”与分母“发布的即时估计数”，复核时不得只报前者。以COVID-1为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。 在COVID-1证据链中，原始锚点仍是Abbott S, et al. Estimating the Time-Varying Reproduction Number of SARS-CoV-2 Using National and Subnational Case Counts. Wellcome Open Res. 2020;5:112.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
争议最终集中到可检查的现场条件：当检测政策突变、延迟分布按地区不同或先验过强时，即时估计会反过来平滑真实转折。因此本条允许被明确证伪：当检测政策突变、延迟分布按地区不同或先验过强时，即时估计会反过来平滑真实转折，应观察到方向反转，而不是仅仅“效果变小”。 争议记录为（未检出可确认的同题独立反驳；边界见正文第四段。）； 对COVID-1的争议记录是（未检出可确认的同题独立反驳；以COVID-1为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
它进入现场后改变了具体动作：公共仪表盘开始区分事件日与报告日，并把回填和版本历史公开。在COVID-1的治理核查中，本项先把“尚尚尚未检测感染、家庭自测和延迟机制突变”放回分母，再判断可见结果是否代表总体。以COVID-1为对象，复核时还须冻结对象定义、观察窗口、停止规则与资源预算，并逐一登记退出、未分类和未进入记录的对象。
执行层面的最低责任是同时报告分子、分母和未完成者，而不是只公布最佳批次。
二、预测中心把模型竞争改成共同基础设施Forecast Hubs
这一思想要推翻的起点是：模型团队使用不同目标、截止时间和数据版本，事后很难公平比较或组合。只看显露出来的病例会漏掉尚尚尚未提交、格式失败和事后修正的预测；预测中心把模型竞争改成共同基础设施由此重画了对象边界。在预测中心把模型的对象核查中，这条转向改变的是对象边界：原先称作噪声的余数，现在成为检验机制的反例入口。
本条把主张压成一条可被反驳的单因式：决定多模型预测能否服务决策的唯有目标、数据、评分与提交是否标准化并公开，而不是团队数量。本项拒绝把采用率当成效果；要让原命题成立，还必须默认“更多数据必然减少偏倚”，即数据增多会自动稀释预测中心把模型竞争改成共同基础设施中的选择性与漏报。
关键证据并非技术宣传，而是2021年前后的可复算结果：COVID-19 Forecast Hub汇聚数十个模型，形成死亡、病例和住院概率预测，集合通常表现稳健，失败期也被记录。 证据锚点仍是Cramer EY, et al. Evaluation of Individual and Ensemble Probabilistic Forecasts of COVID-19 Mortality in the United States. Proc Natl Acad Sci USA. 2022;119:e2113561119.； 在预测中心把模型证据链中，原始锚点仍是Cramer EY, et al. Evaluation of Individual and Ensemble Probabilistic Forecasts of COVID-19 Mortality in the United States. Proc Natl Acad Sci USA. 2022;119:e2113561119.；就预测中心把模型的实证锚点而言，本条固定2项可核量：分子“优于基准的模型周数”与分母“参与评估的模型周数”，复核时不得只报前者。以预测中心把模型为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。
证据一旦离开原研究条件，首先暴露的限制是：当政策改变目标可预测性、异常波超出训练或公众只看中位线时，中心会反过来掩盖结构分歧。因此本条允许被明确证伪：当政策改变目标可预测性、异常波超出训练或公众只看中位线时，中心会反过来掩盖结构分歧，应观察到方向反转，而不是仅仅“效果变小”。 对预测中心把模型的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；以预测中心把模型为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
真正的落地发生在数据与交班层：平台建立版本化真值、概率评分、可视化和开放档案，预测成为持续公共产品。在预测中心把模型的治理核查中，证据责任落在可复算路径：对象如何进入、何处退出、退出后怎样改变结论，三步缺一不可。 围绕预测中心把模型的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
这条转向改变的是对象边界：原先称作噪声的余数，现在成为检验机制的反例入口。
三、废水监测把无症状感染纳入分母Wastewater-Based Epidemiology for Infection
本领域最初把这一风险理解成：病例监测依赖检测意愿与可及性，无症状和家庭自测感染常不进入官方曲线。因此，化粪池、农村、机构外与服务人口不明之感染没有独立位置；废水监测把无症状感染纳入分母首先改变的正是“谁算一次事件”。对照Medema G, Heijnen L, Elsinga G, Italiaander R, B对废水监测把无症状感染纳入分母的原始定义，现场任何简化都应说明删掉了哪一类对象。
真正的转折在于一个单因判断：决定群体感染趋势的唯有污水病毒信号能否按流量、服务人口和实验室方法校准，而不是确诊病例数。未说出口的前提是“更多数据必然减少偏倚”：数据增多会自动稀释本条中的选择性与漏报。
关键证据并非技术宣传，而是2020年前后的可复算结果：Medema等在荷兰于首例报告前后检测到SARS-CoV-2，随后全球系统证明废水可提前指示趋势并监测变异。可跨机构比较的量纲不是“效果更好”，而是“以经病例住院趋势验证的废水方向信号数占发布的废水方向信号数的比例核算”，它同时暴露本条的覆盖率与选择性。 证据锚点仍是Medema G, Heijnen L, Elsinga G, Italiaander R, Brouwer A. Presence of SARS-CoV-2 RNA in Sewage and Correlation with COVID-19 Prevalence. Environ Sci Technol Lett. 2020;7:511-516.； 在废水监测把无症证据链中，原始锚点仍是Medema G, Heijnen L, Elsinga G, Italiaander R, Brouwer A. Presence of SARS-CoV-2 RNA in Sewage and Correlation with COVID-19 Prevalence. Environ Sci Technol Lett. 2020;7:511-516.；就废水监测把无症的实证锚点而言，本条固定2项可核量：分子“经病例住院趋势验证的废水方向信号数”与分母“发布的废水方向信号数”，复核时不得只报前者。以废水监测把无症为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。 在废水监测把无症证据链中，原始锚点仍是Medema G, Heijnen L, Elsinga G, Italiaander R, Brouwer A. Presence of SARS-CoV-2 RNA in Sewage and Correlation with COVID-19 Prevalence. Environ Sci Technol Lett. 2020;7:511-516.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
复核研究关注的核心不是立场，而是这一失效边界：当降雨稀释、服务人口变化、排毒差异或无下水道地区缺失时，信号会反过来误判强度。Medema G, Heijnen L, Elsinga G, Italiaander R, B关于本条的文献链也把这一点列为限制；当降雨稀释、服务人口变化、排毒差异或无下水道地区缺失时，信号会反过来误判强度，原来的优势可能转成风险。 对废水监测把无症的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；
真正的落地发生在数据与交班层：国家网络建立采样标准、变异测序与多源融合，并明确不能直接推算精确病例数。在废水监测把无症的治理核查中，这里的判决不靠术语声望，而靠“以经病例住院趋势验证的废水方向信号数占发布的废水方向信号数的比例核算”在独立样本中是否保持方向。
证据能支持的范围止于已观察对象；对“账外对象”的外推必须另行检验。
四、变异监测把序列覆盖变成预警能力Variant Genomic Surveillance
过去的现场判断往往认为，基因测序多用于研究，常规监测按病例数而非病毒谱系变化组织。当尚尚尚未测序地区、低病毒量和未共享序列被排除后，成功率看似稳定；变异监测把序列覆盖变成预警能力则把这类“无字段事件”纳入责任链。
本条把主张压成一条可被反驳的单因式：决定新变异能否早发现的唯有代表性序列采样与快速共享是否覆盖传播人群，而不是测序总数。以2021年为主证据时点，按S／D／E标注，本条位于E，因为它把“从事后病例曲线走到多源实时推断，未检测感染、模型中与变异监测把序列覆盖变成预警能力相关的条件场”当作单独足够的决定项；其隐藏前提属于“更多数据必然减少偏倚”：数据增多会自动稀释本条中的选择性与漏报。
原始研究在2021年留下了足以复算的读数。du Plessis L等报告：英国研究联合26181个本地基因组与50887个全球序列，重建超过1000次独立输入和超过100条传播谱系；只有足够覆盖率才可能把输入与本地扩增分开。这组结果把本条的检验单位明确为“以在公共卫生行动前被识别的高风险变异数占后续确认高风险变异总数的比例核算”。 证据锚点仍是du Plessis L, et al. Establishment and Lineage Dynamics of the SARS-CoV-2 Epidemic in the UK. Science. 2021;371:708-712.； 在变异监测把序列证据链中，原始锚点仍是du Plessis L, et al. Establishment and Lineage Dynamics of the SARS-CoV-2 Epidemic in the UK. Science. 2021;371:708-712.；以变异监测把序列为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。 在变异监测把序列证据链中，原始锚点仍是du Plessis L, et al. Establishment and Lineage Dynamics of the SARS-CoV-2 Epidemic in the UK. Science. 2021;371:708-712.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
后续研究很快画出了失效线：当采样偏旅行者或高病毒量、全球南方覆盖不足或命名触发污名时，监测会反过来扭曲起源。原文自述的限制是当采样偏旅行者或高病毒量、全球南方覆盖不足或命名触发污名时，监测会反过来扭曲起源； 对变异监测把序列的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；以变异监测把序列为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
它进入现场后改变了具体动作：WHO建立全球策略、Pango命名与风险评估，强调覆盖、周转和元数据。旧口径遮住的是失败对象的去向；本项要求其与成功对象在同一观察窗内结算。本条若迁移到低资源环境，人员时间和基础设施必须作为真实分母而非背景说明。 围绕变异监测把序列的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
当场景、尺度或时间窗改变时，先复算共同分母，再讨论机制是否仍成立。
五、系统发育动力学连接进化与传播Phylodynamics
在旧有工作流里，系统发育树用于描述亲缘，传播率、人口变化和选择压力由独立流行病模型估计。当尚尚尚未采样传播、重组和测序失败的谱系被排除后，成功率看似稳定；系统发育动力学连接进化与传播则把这类“无字段事件”纳入责任链。系统发育动力学连接进化与传播的价值在于把“当采样过程尚未知、重组或选择违反模型时，方向反过来。”成为系统发育动力学连接进化与传播可以被反驳的边界，而不是把采用本身写成进步。
它把因果责任明确落在：决定病原传播历史能否从序列反演的唯有进化过程与流行病动力学能否联合建模，而不是树形图本身。要让原命题成立，还必须默认“时间尺度可自由压缩”，即本条在短观察窗内的读数可以直接外推为长期结局。
真正改变同行判断的，是研究中可直接复算的一组结果：2017年前后出现的具体观察：BEAST与birth-death skyline等方法估计增长率、迁移和Rt，应用于HIV、流感、埃博拉与SARS-CoV-2。资源成本不是背景变量；在系统发育动力学的读数核查中，若发现“尚尚尚未采样传播、重组和测序失败的谱系”需要额外投入，该投入必须入分母。若档案只保留成功路径，却不登记“尚尚尚未采样传播、重组和测序失败的谱系”，本条的表面成熟度就会被选择偏倚抬高。 在系统发育动力学证据链中，原始锚点仍是Volz EM, Koelle K, Bedford T. Viral Phylodynamics. PLoS Comput Biol. 2013;9:e1002947.；就系统发育动力学的实证锚点而言，本条固定2项可核量：分子“真实值被后验区间覆盖的动力参数数”与分母“估计的动力参数总数”，复核时不得只报前者。 在系统发育动力学证据链中，原始锚点仍是Volz EM, Koelle K, Bedford T. Viral Phylodynamics. PLoS Comput Biol. 2013;9:e1002947.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
独立实施暴露了一个反号条件：当采样过程未知、重组或选择违反模型时，树会反过来给出过窄可信区间。这不是外部追加的免责声明：Volz EM, Koelle K, Bedford T已经承认该弱点，只是它常未进入主结果表。 对系统发育动力学的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）； 对系统发育动力学的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；未公开检验的部分继续保留为未知状态，不并入支持证据。
它进入现场后改变了具体动作：研究开始将采样强度、病例数据和移动信息联合，并发布后验不确定性。尚尚尚未采样传播、重组和测序失败的谱系必须拥有独立字段。
本项拒绝把采用率当成效果；真正的验收量是失败边界出现后读数是否按预期改变。
六、移动与接触数据进入干预评估Mobility and Contact Data
早期制度通常默认，政策模型用固定接触矩阵，封锁、居家与行业差异只能事后从病例拟合。当无智所涉能手机、共享设备和家庭内接触被排除后，成功率看似稳定；移动与接触数据进入干预评估则把这类“无字段事件”纳入责任链。移动与接触数据进入干预评估若迁移到低资源环境，人员时间和基础设施必须作为真实分母而非背景说明。
真正的转折在于一个单因判断：决定非药物干预的传播影响的唯有人群移动与接触变化能否与传播时序共同估计，而不是政策发布日期。未说出口的前提是“时间尺度可自由压缩”：本条在短观察窗内的读数可以直接外推为长期结局。
把这条主张立住的读数来自2020年前后的研究：Kraemer等用移动数据分析中国COVID-19传播，全球研究随后把手机移动与Rt关联，但移动不等于接触。证据的判决点落在“以可由独立接触数据验证的移动指标数占用于模型的移动指标数的比例核算”而非单个显著性值，这使别的现场可以按本条的同一分母复算。 在移动与接触数据证据链中，原始锚点仍是Kraemer MUG, et al. The Effect of Human Mobility and Control Measures on the COVID-19 Epidemic in China. Science. 2020;368:493-497.；就移动与接触数据的实证锚点而言，本条固定2项可核量：分子“可由独立接触数据验证的移动指标数”与分母“用于模型的移动指标数”，复核时不得只报前者。 在移动与接触数据证据链中，原始锚点仍是Kraemer MUG, et al. The Effect of Human Mobility and Control Measures on the COVID-19 Epidemic in China. Science. 2020;368:493-497.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
Kraemer MUG, et al材料中最有信息量的，是其已经公开的边界：当手机覆盖不均、同地不等于近接触或平台隐私聚合改变时，移动数据会反过来代理社会阶层。在移动与接触数据的边界核查中，这里的判决不靠术语声望，而靠“以可由独立接触数据验证的移动指标数占用于模型的移动指标数的比例核算”在独立样本中是否保持方向。 对移动与接触数据的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；
它进入现场后改变了具体动作：模型将移动、调查接触和场所通风结合，并设数据最小化与用途限制。在移动与接触数据的治理核查中，该命题的强处在可反驳：越过“当手所涉机覆盖不均、同地不等于近接触或平台隐私聚合改变时，本条失效。”，结果必须允许翻转。本条的研究者还应把无效尝试与替代路径留在附表，否则下一轮会重复同一不可见失败。
可迁移性取决于谁被排除以及排除发生在哪一步，这两项都应成为结构化字段。
七、机器学习暴发预测接受前瞻检验Machine Learning for Outbreak Prediction
这一思想要推翻的起点是：机器学习用气象、搜索和病例预测登革热等，交叉验证分数常替代真实提前量与行动价值。当数据所涉稀疏地区、首次暴发和定义外异常被排除后，成功率看似稳定；机器学习暴发预测接受前瞻检验则把这类“无字段事件”纳入责任链。机器学习暴发预测接受前瞻检验的价值在于把“当训练含尚未来信息、报告延迟未模拟或罕见暴发类别失衡时，方向反过来。”成为机器学习暴发预测接受前瞻检验可以被反驳的边界，而不是把采用本身写成进步。
它要求研究者先接受一条可被推翻的断言：决定机器学习预警有用性的唯有前瞻预测能否在稳定提前量下改善行动，而不是回顾性RMSE。要让原命题成立，还必须默认“时间尺度可自由压缩”，即本条在短观察窗内的读数可以直接外推为长期结局。
使这一主张站住的，是可以复算的现场读数：2018年前后出现的具体观察：Dengue Forecasting Project等挑战标准化多城市目标，显示简单统计与集合常不输复杂模型，跨地区迁移困难。可跨机构比较的量纲不是“效果更好”，而是“以在预设提前量内命中的暴发数占实际发生的暴发数的比例核算”，它同时暴露本条的覆盖率与选择性。 证据锚点仍是Johansson MA, et al. An Open Challenge to Advance Probabilistic Forecasting for Dengue Epidemics. Proc Natl Acad Sci USA. 2019;116:24268-24274.； 在机器学习暴发预证据链中，原始锚点仍是Johansson MA, et al. An Open Challenge to Advance Probabilistic Forecasting for Dengue Epidemics. Proc Natl Acad Sci USA. 2019;116:24268-24274.；就机器学习暴发预的实证锚点而言，本条固定2项可核量：分子“在预设提前量内命中的暴发数”与分母“实际发生的暴发数”，复核时不得只报前者。 在机器学习暴发预证据链中，原始锚点仍是Johansson MA, et al. An Open Challenge to Advance Probabilistic Forecasting for Dengue Epidemics. Proc Natl Acad Sci USA. 2019;116:24268-24274.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
反方质疑集中在下列条件，而不是抽象否定该议题：当训练含未来信息、报告延迟未模拟或罕见暴发类别失衡时，高分会反过来成为泄漏。Johansson MA, et al关于本条的文献链也把这一点列为限制；当训练含未来信息、报告延迟未模拟或罕见暴发类别失衡时，高分会反过来成为泄漏，原来的优势可能转成风险。 对机器学习暴发预的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；
随后发生的连带变化是：平台要求滚动起报、预注册阈值、基准模型和行动成本分析。 围绕机器学习暴发预的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。 围绕机器学习暴发预的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
原证据保留了一个明确锚点，但没有自动覆盖边界外对象；推广责任由此独立存在。
八、气候敏感媒介模型Climate-Sensitive Vector-Borne Disease Models
在这一研究线站稳之前，登革热、疟疾和寨卡风险常按历史季节区描述，温度、降水与媒介生理的非线性变化缺少统一预测。因此，室内所涉微气候、无监测媒介和控制活动没有独立位置；气候敏感媒介模型首先改变的正是“谁算一次事件”。对照Ryan SJ, et al对气候敏感媒介模型的原始定义，现场任何简化都应说明删掉了哪一类对象。
本条的站位十分明确：决定媒介传播适生性的唯有温度对叮咬、发育与死亡的综合效应能否被机制化，而不是年平均变暖。资源成本不是背景变量；在气候敏感媒介模的机制核查中，若发现“室内所涉微气候、无监测媒介和控制活动”需要额外投入，该投入必须入分母。一旦气候敏感媒介模型的“窗口内稳定＝长期稳定”前提被否定，命题便不能靠补协变量维持。
在2019年的主证据链中，Mordecai等实验—模型工作建立温度适宜曲线，Ryan等投影气候变化下埃及伊蚊传播人口暴露扩展。证据责任落在可复算路径：对象如何进入、何处退出、退出后怎样改变结论，3步缺一不可。 证据锚点仍是Ryan SJ, et al. Global Expansion and Redistribution of Aedes-Borne Virus Transmission Risk with Climate Change. PLoS Negl Trop Dis. 2019;13:e0007213.； 在气候敏感媒介模证据链中，原始锚点仍是Ryan SJ, et al. Global Expansion and Redistribution of Aedes-Borne Virus Transmission Risk with Climate Change. PLoS Negl Trop Dis. 2019;13:e0007213.；就气候敏感媒介模的实证锚点而言，本条固定2项可核量：分子“经独立媒介或病例数据验证的适宜期数”与分母“模型预测适宜期总数”，复核时不得只报前者。以气候敏感媒介模为对象，它固定了对象、年份与出处，独立复核不得用异题评论替换。 在气候敏感媒介模证据链中，原始锚点仍是Ryan SJ, et al. Global Expansion and Redistribution of Aedes-Borne Virus Transmission Risk with Climate Change. PLoS Negl Trop Dis. 2019;13:e0007213.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
独立实施暴露了一个反号条件：当城市化、控制、病毒输入和微气候未计时，气候地图会反过来被误读为病例预测。因此本条允许被明确证伪：当城市化、控制、病毒输入和微气候未计时，气候地图会反过来被误读为病例预测，应观察到方向反转，而不是仅仅“效果变小”。因此过程记录本身属于证据。 争议记录为（未检出可确认的同题独立反驳；边界见正文第四段。）； 对气候敏感媒介模的争议记录是（未检出可确认的同题独立反驳；以气候敏感媒介模为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。
实践端的变化不是多一份倡议，而是：预警结合气象、媒介监测、人口与控制能力，并公布情景而非确定地图。室内所涉微气候、无监测媒介和控制活动必须拥有独立字段。
同名方法在不同机构可能处理不同对象，必须先锁定对象、分母与停止规则。
九、One Health溢出风险建模One Health Spillover Modelling
早期制度通常默认，人类疫情预警从临床病例开始，野生动物、土地利用、畜牧与人类接触的上游溢出机会分散。当尚尚尚未采样宿主、非正式动物贸易和低资源边界社区被排除后，成功率看似稳定；One Health溢出风险建模则把这类“无字段事件”纳入责任链。
本条的站位十分明确：决定新发病原溢出风险的唯有宿主、环境与接触界面能否共同监测，而不是已知病毒清单。一旦One Health溢出风险建模的“窗口内稳定＝长期稳定”前提被否定，命题便不能靠补协变量维持。
Carlson CJ, Albery GF, Merow C等在2022年的原始材料给出一组可复算读数：模型覆盖3139种哺乳动物并投影到2070年；气候与土地变化可能促成约1.5万次新的跨物种病毒共享事件，热点集中在热带非洲和东南亚的高人口地区。这使“以经后续监测验证的高风险界面数占模型标记的高风险界面数的比例核算”能够按同一分母比较，而不是只保留成功案例。 证据锚点仍是Carlson CJ, Albery GF, Merow C, et al. Climate Change Increases Cross-Species Viral Transmission Risk. Nature. 2022;607:555-562.； 在One Hea证据链中，原始锚点仍是Carlson CJ, Albery GF, Merow C, et al. Climate Change Increases Cross-Species Viral Transmission Risk. Nature. 2022;607:555-562.； 在One Hea证据链中，原始锚点仍是Carlson CJ, Albery GF, Merow C, et al. Climate Change Increases Cross-Species Viral Transmission Risk. Nature. 2022;607:555-562.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
争议最终集中到可检查的现场条件：当“热点”导致污名、发现病毒被等同大流行风险或本地社区无治理权时，模型会反过来伤害合作。因此本条允许被明确证伪：当“热点”导致污名、发现病毒被等同大流行风险或本地社区无治理权时，模型会反过来伤害合作，应观察到方向反转，而不是仅仅“效果变小”。在One Hea的边界核查中，该命题的强处在可反驳：越过“当“所涉热点”导致污名、发现病毒被等同大流行风险或本地社区无治理权时，本条失效。”，结果必须允许翻转。 对One Hea的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；以One Hea为对象，未公开检验的部分继续保留为未知状态，不并入支持证据。 对One Hea的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；未公开检验的部分继续保留为未知状态，不并入支持证据。
实践端的变化不是多一份倡议，而是：One Health平台连接动物、人和环境数据，并把行为、贸易和生态变化纳入风险。尚尚尚未采样宿主、非正式动物贸易和低资源边界社区必须拥有独立字段。在One Hea的治理核查中，执行层面的最低责任是同时报告分子、分母和未完成者，而不是只公布最佳批次。以One Hea为对象，复核时还须冻结对象定义、观察窗口、停止规则与资源预算，并逐一登记退出、未分类和未进入记录的对象。
只有把反向事件写进主表，读数上升才不至于与实质恶化混为一谈。
十、抗菌药物耐药全球负担建模Global Burden Modelling for AMR
旧账本里最稳定的写法是：耐药监测以实验室比例和特定医院为主，感染发生、死亡和无培养地区难以合并。
它把因果责任明确落在：决定AMR政策优先的唯有耐药病原导致的可归因死亡与相关死亡能否按病原、地区和综合征估计，而不是耐药率。在抗菌药物耐药全的机制核查中，本项先把“无培养、死后尚未诊断和数据缺失国家的病例”放回分母，再判断可见结果是否代表总体。要让原命题成立，还必须默认“窗口内稳定＝长期稳定”，即本条在当前窗口内稳定，就可视为长期稳定。
关键证据并非技术宣传，而是2022年前后的可复算结果：Murray等估计2019年细菌AMR直接归因约127万死亡、相关约495万，首次提供全球病原—药物组合比较。旧口径遮住的是失败对象的去向；本项要求其与成功对象在同一观察窗内结算。若档案只保留成功路径，却不登记“无培养、死后尚未诊断和数据缺失国家的病例”，本条的表面成熟度就会被选择偏倚抬高。 证据锚点仍是Murray CJL, et al. Global Burden of Bacterial Antimicrobial Resistance in 2019. Lancet. 2022;399:629-655.； 在抗菌药物耐药全证据链中，原始锚点仍是Murray CJL, et al. Global Burden of Bacterial Antimicrobial Resistance in 2019. Lancet. 2022;399:629-655.；围绕抗菌药物耐药全的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。 在抗菌药物耐药全证据链中，原始锚点仍是Murray CJL, et al. Global Burden of Bacterial Antimicrobial Resistance in 2019. Lancet. 2022;399:629-655.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
后续研究很快画出了失效线：当无实验室地区靠模型外推、死因与感染归因不确定或抗菌可及不足被混同耐药时，负担会反过来误导资源。 对抗菌药物耐药全的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）； 对抗菌药物耐药全的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；未公开检验的部分继续保留为未知状态，不并入支持证据。
实践端的变化不是多一份倡议，而是：国家行动开始连接实验室、用药、感染预防与负担指标，并重视低资源监测。在抗菌药物耐药全的治理核查中，这条转向改变的是对象边界：原先称作噪声的余数，现在成为检验机制的反例入口。 复核时还须冻结对象定义、观察窗口、停止规则与资源预算，并逐一登记退出、未分类和未进入记录的对象。 复核时还须冻结对象定义、观察窗口、停止规则与资源预算，并逐一登记退出、未分类和未进入记录的对象。 围绕抗菌药物耐药全的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
本项的复核单位不是一次成功，而是成功、失败与未知状态组成的完整事件集。
十一、参与式监测把公众变成传感网络Participatory Disease Surveillance
在证据改变之前，官方监测只看到就医和检测者，轻症与未就诊传播长期缺失。只看显露出来的病例会漏掉不联所涉网、低识字、无症状和停止报告者；参与式监测把公众变成传感网络由此重画了对象边界。参与式监测把公众变成传感网络的研究者还应把无效尝试与替代路径留在附表，否则下一轮会重复同一不可见失败。
它把可反驳主张写成：决定参与式监测能否补足盲区的唯有公众自报症状是否持续、代表并能与临床数据校准，而不是注册人数。以2017年为主证据时点，按S／D／E标注，本条位于S，因为它把“与独立监测方向一致的参与式周数这一可见结果”当作单独足够的决定项；其隐藏前提属于“谁进入分母”：只有进入“发布参与式估计周数”的人或事件才有资格被比较，不联所涉网、低识字、无症状和停止报告者可以留在分母之外。
Smolinski MS等在2015年把该主张交给数据检验：Flu Near You跨2个流感季吸引超过61000名志愿者并积累逾100万份周报告；参与式曲线与传统ILI方向大体一致，但地区参与率决定小区域稳定性。只有把这些结果还原到“以与独立监测方向一致的参与式周数占发布参与式估计周数的比例核算”，不同机构的成功率才是同一个量。 证据锚点仍是Smolinski MS, et al. Flu Near You: Crowdsourced Symptom Reporting Spanning 2 Influenza Seasons. Am J Public Health. 2015;105:2124-2130.； 在参与式监测把公证据链中，原始锚点仍是Smolinski MS, et al. Flu Near You: Crowdsourced Symptom Reporting Spanning 2 Influenza Seasons. Am J Public Health. 2015;105:2124-2130.； 在参与式监测把公证据链中，原始锚点仍是Smolinski MS, et al. Flu Near You: Crowdsourced Symptom Reporting Spanning 2 Influenza Seasons. Am J Public Health. 2015;105:2124-2130.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
边界并不隐蔽：当高教育群体过度代表、参与疲劳或媒体事件改变报告时，信号会反过来漂移。Smolinski MS, et al关于参与式监测把公众变成传感网络的文献链也把这一点列为限制；当高教育群体过度代表、参与疲劳或媒体事件改变报告时，信号会反过来漂移，原来的优势可能转成风险。在参与式监测把公的边界核查中，本项把测量窗口固定下来，防止短期改善替代长期结局，也防止版本变化伪装成进步。 对参与式监测把公的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；
实践端的变化不是多一份倡议，而是：系统采用权重、持续参与设计、实验室子样本和隐私保护，并向参与者反馈。证据能支持的范围止于已观察对象；对“不联所涉网、低识字、无症状和停止报告者”的外推必须另行检验。 围绕参与式监测把公的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。
资源成本不是背景变量；若发现“未记录对象”需要额外投入，该投入必须入分母。
十二、情景模型取代单一路径预测Scenario Modelling for Policy Choices
旧账本里最稳定的写法是：长期疫情模型常被公众当作预测，政策、变异和行为假设的条件性被隐藏。只看显露出来的病例会漏掉尚尚尚未建模政策、行为突变和被忽略的不利分配后果；情景模型取代单一路径预测由此重画了对象边界。
真正的转折在于一个单因判断：决定情景模型价值的唯有不同假设下政策后果能否清楚比较，而不是哪条曲线最接近未来。在情景模型取代单的机制核查中，这里的判决不靠术语声望，而靠“以被决策文件正确按条件引用的情景数占发布的政策情景数的比例核算”在独立样本中是否保持方向。一旦本条的“有限近似控制无限对象”前提被否定，命题便不能靠补协变量维持。
把这条主张立住的读数来自2021年前后的研究：COVID-19 Scenario Modeling Hub自2021年发布疫苗、变异和干预的多情景投影，明确不赋予情景发生概率。在情景模型取代单的读数核查中，该命题的强处在可反驳：越过“当决所涉策者只引用最坏或最好情景、假设不更新或结果缺少行动阈值时，本条失效。”，结果必须允许翻转。本条的研究者还应把无效尝试与替代路径留在附表，否则下一轮会重复同一不可见失败。 证据锚点仍是Borchering RK, et al. Modeling of Future COVID-19 Cases, Hospitalizations, and Deaths, by Vaccination Rates and Nonpharmaceutical Intervention Scenarios. MMWR. 2021;70:719-724.； 在情景模型取代单证据链中，原始锚点仍是Borchering RK, et al. Modeling of Future COVID-19 Cases, Hospitalizations, and Deaths, by Vaccination Rates and Nonpharmaceutical Intervention Scenarios. MMWR. 2021;70:719-724.；围绕情景模型取代单的复算还需同步保存阳性、阴性、未知与中止4类状态，避免清洗过程改写原始分母。 在情景模型取代单证据链中，原始锚点仍是Borchering RK, et al. Modeling of Future COVID-19 Cases, Hospitalizations, and Deaths, by Vaccination Rates and Nonpharmaceutical Intervention Scenarios. MMWR. 2021;70:719-724.；它固定了对象、年份与出处，独立复核不得用异题评论替换。
争论真正落在一个可检验的边界上：当决策者只引用最坏或最好情景、假设不更新或结果缺少行动阈值时，情景会反过来服务既定立场。在情景模型取代单的边界核查中，执行层面的最低责任是同时报告分子、分母和未完成者，而不是只公布最佳批次。 对情景模型取代单的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）； 对情景模型取代单的争议记录是（未检出可确认的同题独立反驳；边界见正文第四段。）；未公开检验的部分继续保留为未知状态，不并入支持证据。
组织采用本条后，责任时点被重新安排：平台公开假设、模型分歧和回顾评估，把“如果—那么”与短期预测分开。 复核时还须冻结对象定义、观察窗口、停止规则与资源预算，并逐一登记退出、未分类和未进入记录的对象。
最终判断由公开数据能否重建对象流决定，而不是作者是否给出肯定结论。
◎ 二十年连起来看
第一条线索：分母开始包含原来不算数的人。“实时再生数把传播速度变成动态量”与“COVID-19即时估计把报告延迟显式化”先后把无症状未检测、输入病例和报告日期错位、未检测感染、家庭自测和延迟机制突变带回责任链，比较刻度分别是“本地继发病例数／产生这些病例的感染者数”与“最终落入预测区间的即时估计数／发布的即时估计数”。
第二条线索：责任从末端个人移向可改造路径。“病原基因组把传播链从访谈推到序列”重写流程，“移动与接触数据进入干预评估”再把数字、制度或资源条件写进同一事件，结果与路径不能再分账。
第三条线索：覆盖扩张同时制造新空栏。“抗菌药物耐药全球负担建模”与“情景模型取代单一路径预测”扩大记录能力，却仍可能遗漏无培养、死后未诊断和数据缺失国家的病例和未建模政策、行为突变和被忽略的不利分配后果；可见数字化不等于责任闭合。
◎ 三个常见误解
误解一：传染病建模与预警的进步等于设备或算法升级。正确判据是“经病例住院趋势验证的废水方向信号数／发布的废水方向信号数”是否改善，并同时登记化粪池、农村、机构外与服务人口不明的感染。
误解二：样本越大就越公平。“移动与接触数据进入干预评估”若仍排除无智能手机、共享设备和家庭内接触，总体方向可能在分层后反转。
误解三：清单通过即风险消失。“疫苗策略模型从个体效力走到群体配置”只有在“避免的重症或感染数／分配的疫苗剂量数”持续改善且边界被复核时，才算实质合规。
◎ 与相邻领域的接口
第121号卫生政策与医疗体系与本块的分工是：本块交代现场转向，第121号卫生政策与医疗体系负责解释“病原基因组把传播链从访谈推到序列”的支付与治理条件；两边须用同一分母和结局窗口互证。
第119号流行病学与本块的分工是：本块交代现场转向，第119号流行病学负责把“COVID-19即时估计把报告延迟显式化”转成总体、时间零点与对照分母；两边须用同一分母和结局窗口互证。
第172号数据与隐私法与本块的分工是：本块交代现场转向，第172号数据与隐私法负责裁定“移动与接触数据进入干预评估”的数据调用与问责边界；两边须用同一分母和结局窗口互证。
第482号人因工程与工效学与本块的分工是：本块交代现场转向，第482号人因工程与工效学负责解释“疫苗策略模型从个体效力走到群体配置”的负荷、界面与失效机制；两边须用同一分母和结局窗口互证。
◎ 争议现场
争议一：“具有足够序列支持的传播簇数／调查识别的候选传播簇数”能否代表真正重要的结局。收敛办法是预注册主结局，并公开未采样感染、低病毒量和缺少地点时间元数据的序列。
争议二：“废水监测把无症状感染纳入分母”能否外推。应在三类资源水平的机构预设反号组，而非事后解释异质性。
争议三：“抗菌药物耐药全球负担建模”是在改善服务还是转移劳动。须逐例连接建议、人工覆盖、忽略与最终结局。
◎ 往下五年看什么
看空栏覆盖率：到2030年，“COVID-19即时估计把报告延迟显式化”是否公开未检测感染、家庭自测和延迟机制突变占目标总体的比例。
看反号复现率：“移动与接触数据进入干预评估”在资源、地区或风险层改变后，方向反转能否独立复制。
看责任链闭合率：“抗菌药物耐药全球负担建模”发现的问题能否在90天内追到流程、数据与制度决定。
看公平增益／总成本：“情景模型取代单一路径预测”的结局改善是否超过设备、隐私、退出与排除成本。
◎ 可与哪些领域对撞
本块第1条“实时再生数把传播速度变成动态量”×第119号第2条：共享“谁进入分母”前提，却占不同位置。统一“本地继发病例数／产生这些病例的感染者数”后若仍反向，无症状未检测、输入病例和报告日期错位就必须成为第三类对象。
本块第2条“航空网络把地方暴发改成全球传播”×第208号第5条：共享“有限近似控制无限对象”前提，却占不同位置。统一“被模型正确预测的城市到达顺序数／观察到的受影响城市数”后若仍反向，陆路、非正式迁移和未被航班数据记录的流动就必须成为第三类对象。
本块第3条“多模型集合取代单一最佳模型”×第115号第7条：共享“聚合次序不影响结论”前提，却占不同位置。统一“被真实值覆盖的预测区间数／发布的预测区间总数”后若仍反向，未参赛模型、失败提交和目标定义改变的预测就必须成为第三类对象。
本块第4条“综合征监测把预警前移到诊断之前”×第113号第9条：共享“更多数据必然减少偏倚”前提，却占不同位置。统一“经实验室或调查确认的异常信号数／系统发出的候选异常数”后若仍反向，未就医、无电子主诉和非参与机构中的病例就必须成为第三类对象。
◎ 十条可做的研究命题
1. 命题：“实时再生数把传播速度变成动态量”的主效应在统一分母后可复制。做法：三机构统一“本地继发病例数／产生这些病例的感染者数”，登记无症状未检测、输入病例和报告日期错位并设反号组。证伪：主效应不复制或反号组不反向。
2. 命题：“多模型集合取代单一最佳模型”的主效应在统一分母后可复制。做法：三机构统一“被真实值覆盖的预测区间数／发布的预测区间总数”，登记未参赛模型、失败提交和目标定义改变的预测并设反号组。证伪：主效应不复制或反号组不反向。
3. 命题：“病原基因组把传播链从访谈推到序列”的主效应在统一分母后可复制。做法：三机构统一“具有足够序列支持的传播簇数／调查识别的候选传播簇数”，登记未采样感染、低病毒量和缺少地点时间元数据的序列并设反号组。证伪：主效应不复制或反号组不反向。
4. 命题：“数字疾病侦测利用搜索与新闻”的主效应在统一分母后可复制。做法：三机构统一“经传统监测确认的数字异常数／数字系统发出的异常总数”，登记不联网、平台外语言和未公开算法变化造成的信号并设反号组。证伪：主效应不复制或反号组不反向。
5. 命题：“COVID-19即时估计把报告延迟显式化”的主效应在统一分母后可复制。做法：三机构统一“最终落入预测区间的即时估计数／发布的即时估计数”，登记未检测感染、家庭自测和延迟机制突变并设反号组。证伪：主效应不复制或反号组不反向。
6. 命题：“废水监测把无症状感染纳入分母”的主效应在统一分母后可复制。做法：三机构统一“经病例住院趋势验证的废水方向信号数／发布的废水方向信号数”，登记化粪池、农村、机构外与服务人口不明的感染并设反号组。证伪：主效应不复制或反号组不反向。
7. 命题：“系统发育动力学连接进化与传播”的主效应在统一分母后可复制。做法：三机构统一“真实值被后验区间覆盖的动力参数数／估计的动力参数总数”，登记未采样传播、重组和测序失败的谱系并设反号组。证伪：主效应不复制或反号组不反向。
8. 命题：“机器学习暴发预测接受前瞻检验”的主效应在统一分母后可复制。做法：三机构统一“在预设提前量内命中的暴发数／实际发生的暴发数”，登记数据稀疏地区、首次暴发和定义外异常并设反号组。证伪：主效应不复制或反号组不反向。
9. 命题：“One Health溢出风险建模”的主效应在统一分母后可复制。做法：三机构统一“经后续监测验证的高风险界面数／模型标记的高风险界面数”，登记未采样宿主、非正式动物贸易和低资源边界社区并设反号组。证伪：主效应不复制或反号组不反向。
10. 命题：“参与式监测把公众变成传感网络”的主效应在统一分母后可复制。做法：三机构统一“与独立监测方向一致的参与式周数／发布参与式估计周数”，登记不联网、低识字、无症状和停止报告者并设反号组。证伪：主效应不复制或反号组不反向。
◎ 资料核验
- Cori A, Ferguson NM, Fraser C, Cauchemez S. A New Framework and Software to Estimate Time-Varying Reproduction Numbers. Am J Epidemiol. 2013;178:1505-1512.
- Colizza V, Barrat A, Barthélemy M, Vespignani A. The Role of the Airline Transportation Network in the Prediction and Predictability of Global Epidemics. Proc Natl Acad Sci USA. 2006;103:2015-2020.
- Reich NG, et al. A Collaborative Multiyear, Multimodel Assessment of Seasonal Influenza Forecasting in the United States. Proc Natl Acad Sci USA. 2019;116:3146-3154.
- Buehler JW, et al. Syndromic Surveillance and Bioterrorism-Related Epidemics. Emerg Infect Dis. 2009;15:1-9.
- Gire SK, et al. Genomic Surveillance Elucidates Ebola Virus Origin and Transmission during the 2014 Outbreak. Science. 2014;345:1369-1372.
- Ferguson NM, et al. Strategies for Mitigating an Influenza Pandemic. Nature. 2006;442:448-452.
- Ginsberg J, et al. Detecting Influenza Epidemics Using Search Engine Query Data. Nature. 2009;457:1012-1014.
- Halloran ME, Ferguson NM, Eubank S, et al. Modeling Targeted Layered Containment of an Influenza Pandemic in the United States. Proc Natl Acad Sci USA. 2008;105:4639-4644.
- Abbott S, et al. Estimating the Time-Varying Reproduction Number of SARS-CoV-2 Using National and Subnational Case Counts. Wellcome Open Res. 2020;5:112.
- Cramer EY, et al. Evaluation of Individual and Ensemble Probabilistic Forecasts of COVID-19 Mortality in the United States. Proc Natl Acad Sci USA. 2022;119:e2113561119.
- Medema G, Heijnen L, Elsinga G, Italiaander R, Brouwer A. Presence of SARS-CoV-2 RNA in Sewage and Correlation with COVID-19 Prevalence. Environ Sci Technol Lett. 2020;7:511-516.
- du Plessis L, et al. Establishment and Lineage Dynamics of the SARS-CoV-2 Epidemic in the UK. Science. 2021;371:708-712.
- Volz EM, Koelle K, Bedford T. Viral Phylodynamics. PLoS Comput Biol. 2013;9:e1002947.
- Kraemer MUG, et al. The Effect of Human Mobility and Control Measures on the COVID-19 Epidemic in China. Science. 2020;368:493-497.
- Johansson MA, et al. An Open Challenge to Advance Probabilistic Forecasting for Dengue Epidemics. Proc Natl Acad Sci USA. 2019;116:24268-24274.
- Ryan SJ, et al. Global Expansion and Redistribution of Aedes-Borne Virus Transmission Risk with Climate Change. PLoS Negl Trop Dis. 2019;13:e0007213.
- Carlson CJ, Albery GF, Merow C, et al. Climate Change Increases Cross-Species Viral Transmission Risk. Nature. 2022;607:555-562.
- Murray CJL, et al. Global Burden of Bacterial Antimicrobial Resistance in 2019. Lancet. 2022;399:629-655.
- Smolinski MS, et al. Flu Near You: Crowdsourced Symptom Reporting Spanning 2 Influenza Seasons. Am J Public Health. 2015;105:2124-2130.
- Borchering RK, et al. Modeling of Future COVID-19 Cases, Hospitalizations, and Deaths, by Vaccination Rates and Nonpharmaceutical Intervention Scenarios. MMWR. 2021;70:719-724.
- Lipsitch M, et al. Potential Biases in Estimating Absolute and Relative Case-Fatality Risks during Outbreaks. PLoS Negl Trop Dis. 2015;9:e0003846.
- Holmdahl I, Buckee C. Wrong but Useful—What COVID-19 Epidemiologic Models Can and Cannot Tell Us. N Engl J Med. 2020;383:303-305.
- Ioannidis JPA, Cripps S, Tanner MA. Forecasting for COVID-19 Has Failed. Int J Forecast. 2022;38:423-438.
- Reich NG, et al. Accuracy of Real-Time Multi-Model Ensemble Forecasts for Seasonal Influenza. PLoS Comput Biol. 2019;15:e1007486.
- World Health Organization. International Pathogen Surveillance Network Annual Report 2025. Geneva: WHO; 2026.
- WHO Hub for Pandemic and Epidemic Intelligence. Annual Report 2025. Berlin: WHO; 2026.
- Centers for Disease Control and Prevention. 2025–2026 Respiratory Disease Season Outlook. Atlanta: CDC; 2025.
- World Health Organization. Global Meeting on Sustaining Gains in Genomics for Managing Pandemic and Epidemic Threats: Istanbul, 14–15 December 2023—Report. Geneva: WHO; 2024. WHO/EURO:2024-9728-49500-74064.