背景：在新冠肺炎大流行的早期階段，最大的公共衛生問題之一是醫療資源是否足以治療感染病例。隨著病例呈指數級增長，大約10%的檢測到的病例需要在重症監護病房住院，人們很快意識到，國家衛生係統很容易不堪重負。為了減緩疫情的蔓延和保護國家衛生係統，許多國家在第一波疫情期間實施了嚴格的封鎖。更多的浪潮還迫使應用重要的非藥物幹預措施，降低非疾病的有效繁殖率，防止醫療保健係統崩潰。

        這些模型中的一個關鍵因素是考慮到地區差異，而許多論文--尤其是那些專注於建模的論文--很少考慮這一點。事實上，入院率和住院時間都可能取決於患者的具體特征、人口的社會經濟地位，或者取決於地方或國家政策。例如，在具有相同社會經濟特征和傳播動態的兩個人群中，具有最大測試能力的人群的錄取率將較低。同樣，在住院能力較低的地區，LOS可能會更短。此外，隨著政策變化，這些差異可能會隨著時間的推移而演變。因此，對所研究的時期進行適當的背景分析也很重要。

        方法：我們利用西班牙衛生部報告的每日新增病例和住院數據，實現了一種貝葉斯推斷方法，該方法可以對該國每個自治區的新冠肺炎患者的床位占用情況做出短期預測。

        結果：我們展示了如何使用每日入院和出院人數的時間序列來重現COVID-19患者的住院動態。對於阿拉貢地區的案例研究，我們估計因感染而住院治療的概率為0.090[0.086-0.094]，(95%置信區間)，住院治療的分布產生的中位數間隔為3.5天，IQR為7天。同樣，根據住院時間的分布，中位數為12天，IQR為10天。所分析區域的模型參數之間的比較允許檢測衛生當局政策的差異和變化。

        圖 阿拉貢地區醫院每日入院人數。為了估計模型的參數，我們使用了截至2020年12月1日的信息。從12月1日起，使用估計參數和觀察到的每日發現病例數，應用公式得出入院人數。(1)。實線表示估計的中值，陰影區域表示95%的C.I，而點表示觀測數據。請注意，疫苗於12月28日在西班牙開始推出。

        圖2 阿拉貢每天新冠肺炎患者占用的床位數。為了估計模型的參數，我們使用了截至2020年12月1日的信息。從12月1日起，入住率是使用新發現的病例數量和均衡器來計算的。(1)和(5)。實線表示估計的中值，陰影區域表示其95%的C.I.，而點表示觀測數據。請注意，疫苗於12月28日開始推出。

        圖3 預測2020-2021年聖誕節期間阿拉貢的床位使用率。點表示床位占用率的實際值，實線表示預測的中位數，其陰影區域顯示從指定日期開始的一周預測的95%C.I.。在圖中描述的每個日期，而不是像圖2中那樣使用觀察到的發病率，預測算法運行在直到該日期檢測到的病例的數量上，並假設R(T)的某個變化來預測占有率。

        結論：我們觀察到了重要的地區差異，表明要正確比較非常不同的人口，最重要的是承認文化、社會經濟地位和資源可獲得性方麵的所有差異。為了更好地了解這一大流行的影響，應該提供更多的數據，並進行分類和適當的注釋。

        原文出處：ChenG,LiN,DaiX,et al.Safety, Tolerability, Pharmacokinetics, and Pharmacodynamics of Anti-C5a Antibody BDB-001 for Severe COVID-19: A Randomized, Double-Blind, Placebo-Controlled Phase 1 Clinical Trial in Healthy Chinese Adults.Infect Dis Ther2023 Jan 25