【讀者分享 🏥💀】究竟死了多少人? 《2022年12月至2023年2月中國COVID-19死亡人數估計》導讀 (Patreon)

【按：這篇對醫學學術論文詳細導讀的文章，來自一位非常熱心的讀者，他本人也是行內教授，用了大量時間整理翻譯，希望這裏的朋友能夠掌握嚴謹的第一手資料。文章旨在為讀者深入淺出介紹近日一篇題為 《Estimate of COVID-19 Deaths, China, December 2022–February 2023》的流行病學期刊論文，文章作者以中國疾病預防控制中心公佈的哨點監測數據當中的檢測陽性率為基礎，輔以來自其他文獻的數據，運用電腦模型，推算在2022年12月至2023年2月期間，即中國疫情大爆發數字還未公佈於世之時，在中國因COVID-19病逝的人數，已經高達141萬人。若將醫療擠兌計算在內，死亡數字更高達211萬人，遠遠遠超官方公佈的數字，也足以顛覆中國政府對整個疫情的政治正確論述。這文章的作者來自香港大學醫學院，在此情此景依然有勇氣發表真相研究，更是難得。】

一、前言

2023年八月底，一份題為《Estimate of COVID-19 Deaths, China, December 2022–February 2023》(《2022年12月至2023年2月中國COVID-19死亡人數估計》) 的學術論文，在傳染病流行病學界的著名期刊──Emerging Infectious Diseases上發表。文章現為early release，將會收入2023年10月號。

論文作者以中國疾病預防控制中心(以下簡稱中國CDC) 所公佈的哨點監測(sentinel surveillance)數據當中的檢測陽性率(test positivity rate)為基礎，輔以來自其他文獻的數據，運用電腦模型推算在2022年12月至2023年2月期間，在中國因COVID-19病逝的人數，高達141萬人(95% 可信區間為114-173萬人)。若將醫療擠兌計算在內，死亡數字更高達211萬人(95% 可信區間為171-260萬人)。

感謝沈旭暉教授提供Patreon一角，讓身為流行病學工作者的筆者，為華文讀者科普這篇論文的要點。筆者首先會介紹論文作者和學術期刊的背景，再討論論文的主要研究成果及其現實意義。筆者將介紹這篇論文的方法部份放在文末，供未必想閱讀論文原著，但又欲了解其方法的讀者參考。

二、論文作者

這篇論文的第一作者杜占瑋博士是香港大學公共衛生學院的研究助理教授，他的專長是電腦流行病學(computational epidemiology)，也即運用電腦模型去進行流行病學的推算。杜占瑋本身是電腦科學家，2015年博士畢業於大陸某名校。這篇論文的兩名高級作者，也即是名列作者群最後兩位的，分別為港大的高本恩教授(Benjamin Cowling)以及德州奧斯丁分校的Lauren Meyers教授，兩位都是呼吸道感染流行病學數學模型的科學權威，他們分別是杜博士先後兩任博士後研究員經歷的指導教授。

三、學術期刊

Emerging Infectious Diseases，顧名思義是一份有關新發傳染病的學術期刊。根據Journal Citation Reports，該期刊於2022年的影響因子為11.8，在Science Citation Index Expanded (SCIE)裡面的96份傳染病學學刊當中排第十。這本期刊由美國聯邦政府的疾病預防控制中心(CDC) 出版。期刊的編委會由美國CDC的專家及各大學相關專業的教授組成。編委會完全編輯自主，按學術界的標準，通過同行評審來審稿。期刊刊載的文章由作者自負文責，其內容絕不代表美國政府的官方立場。(也就正如牛津大學出版社出版的學術期刊裡的學術論文，其內容絕不代表牛津大學官方立場一樣。) 該期刊歡迎各國學者及公共衛生機構投稿。以往中國政府的公共衛生機構也有不少學術文章曾刊登於這份期刊，反映這份期刊的學術公信力亦受這些中國官方機構認可。

四、電腦模型按不同scenarios所推算的死亡人數

論文作者按中國的人口結構去建立一個一百萬人的電腦模型，先推算每一個人會否感染，再推算其接種疫苗之時間、免疫力之強弱，再推算其會否病死，之後再將運算結果由一百萬人推演至整個中國大陸近14億人。

由於不同學者對於電腦模型背後的設定、數據值的選擇等，可能有不同的意見，除了論文正文講述的base case scenario外，作者還分別就另外六個不同的scenarios，進行了電腦模型運算。合共七個scenarios:

Base case scenario : 使用以一百萬人為基礎的電腦模型運算。假設在接種疫苗六個月後，免疫力拾級以下。假設疫苗之於各年齡層皆同樣有效防止死亡。亦沒有出現因醫療擠兌而病死率驟升(詳見文末的方法部份)。

S1. 假設疫苗(包括第一第二針及加強劑)，皆無效 (Vaccine effectiveness=0%)。

S2. 假設在接種疫苗六個月後，免疫力維持不變，沒有下跌。

S3. 假設在2022年12月20日至22日中國大陸疫情高峰期，因為醫療擠兌，感染病死率上升3.39倍，也就是相當於2022年3月香港疫情高峰期時，感染病死率的上升比例。

S4. 使用以二百萬人為基礎的電腦模型運算。

S5. 使用以五十萬人為基礎的電腦模型運算。

S6. 假設疫苗防止死亡之有效率，因年齡而異。

論文作者推算之病死人數如下:

需要注意的是，由於中國之前故意更改了「因COVID-19病死」的定義，致使病死率出奇地低。論文作者則是使用國際上普遍使用的定義，也即在確診COVID-19之28日內病死者，為COVID-19-related deaths。

五、現實意義

這項研究的重要性在於，作者的電腦模型，是以中國CDC所公佈的哨點監測數據當中的檢測陽性率為基礎。而這項數據之於中國大陸各省人口，本身是有代表性的，也是相對準確和可靠的。而電腦模型裡，其他的數值，是依據全球流行病學學界所公認的數據值。而COVID-19病死的定義，也是依照國際上通行的標準。

正如上述表格所顯示的，作者用作base case scenario的，其實是建基於相當保守的假設，作者也推算出有141萬人病死。筆者個人則認為S3將醫療擠兌的影響計算在內，可能更合乎現實，而依S3的推算，則中國大陸在短短兩三個月內，就有211萬人因COVID-19病死。無論如何，都遠超過中國官方所承認的數字。

當然，作者在正文指出，若按其base case scenario的141萬人死亡來算，中國大陸每一百萬人死1014人，係美國每一百萬人死3332人的病死率的30%左右，同時，也是日本每一百萬人死603人的病死率的兩倍。

筆者認為，美國的高病死率，主因在於，在2020年未有COVID-19疫苗的時候，美國的確有很多人病死。這是與美國在疫情開始時國民防備意識不足有關，也與不少美國人抗拒帶口罩有關。但當疫苗開始普及之後，美國人(特別是長者)接種疫苗的比例是相當不錯的，再者，美國人使用的疫苗的效力，也是舉世認可的，病死率也因此在2021年開始大幅下跌。某些中國人可能會以中國病死率低於美國為榮，但這並不代表中國的「動態清零」防疫政策合理。

論文作者提到的日本，就是一個很好的比較。日本的防疫政策非常嚴謹，日本人也經常帶口罩。同時，日本在2022年底也經歷了一浪相當大的疫情。但因日本政府選擇有秩序逐步開放，故日本的病死率只是每一百萬人死603人，僅是中國的一半 (按論文作者的base case scenario來說)，而日本人要付出的社會經濟代價則比中國的少得多。可見中日兩地的政策效果有雲泥之別。

論文作者也有提及香港。在香港，每一百萬人有1166人因COVID-19病死。按作者的解釋，是因為香港人口當中，長者的比例相當高，同時長者的疫苗接種率卻遠低於其他地區。因此，香港很多長者不幸病逝，致使香港出現相當高的COVID-19病死率。

再者，若按論文裡的S3 scenario，把醫療擠兌計算在內，則中國大陸的病死率為每一百萬人超過1500人，病死率也就遠高於香港。

另外，值得一提的是，早前另有學者，使用中國某三間大學的訃聞數目，輔以與「死亡」相關的字詞的百度搜尋指數，去推算中國大陸在結束動態清零後兩個月內的超額死亡率，他們的估算是187萬人(95%置信區間，71萬至443萬) (Xiao et al., 2023)。相對於Xiao et al. (2023)，杜占瑋團隊使用的方法及數據，穩健得多。

六、總結

杜占瑋博士團隊的學術論文，以中國CDC所公佈的哨點監測數據當中的檢測陽性率為基礎，運用電腦模型，保守估算在2022年12月至2023年2月期間，中國大陸約有141萬人死於COVID-19。如果再加上醫療擠兌的影響，則約有211萬人因COVID-19而病死。死亡人數遠遠高於中國官方所承認之數字。由於中國政府的哨點監測數據具有人口代表性，相對準確和可靠，而且，他們總不能否定自己公佈的數據，因此，杜博士諸君，用中國官方的數字，去推算出中國大陸之COVID-19病死人數乃官方承認之數字之約17倍。以子之矛，攻子之盾，此乃論文作者高明之處也。

七、方法

好了，究竟論文作者們是用什麼方法去推算中國在結束「動態清零」後COVID-19的病死人數呢? 他們的模型是基於哪些數據? 數據又從何以來?

論文的方法部份，見原著的Appendix。以下是筆者對此之中文演繹。當中的數學程式皆從略，讀者如有興趣，可自行閱讀原著。

論文作者的電腦模型是一個individual-based model。他們按中國的人口結構去建立一個一百萬人的模型，先推算每一個人會否感染，再推算其接種疫苗之時間、免疫力之強弱，再推算其會否病死，之後再將運算結果由一百萬人推演至整個中國大陸近14億人。論文作者前後模擬1000次，從而得出病死人數的中位數及95%置信區間。

首先，每日感染數字的推算，係依據中國CDC的哨點檢測系統 (China CDC, 2023a, 2023b) 所公佈的檢測陽性率。「哨點檢測」的意恩是，在全國各地具代表性的人口樣本當中進行檢測，並以其檢測結果按比例推算至全國人口，相對於全民檢測，哨點檢測比較省時省錢。「檢測陽性率」的意思是，接受COVID-19檢測的人當中陽性的比例。比例愈高，反映疫情愈嚴峻。

原來在2022年12月初，中國CDC在大陸22個省、直轄市及自治區，各地合共42萬人當中，進行哨點檢測。通過檢測人群的檢測陽性率，去監測中國大陸在「動態清零」結束後COVID-19的傳播。

論文作者依據這些官方公佈的檢測陽性率數字，推算數字的置信區間，再在正態分佈(常態分佈)的抽樣分佈(a normally distributed sampling distribution)當中，隨機抽樣一個數字，乘以100萬，作為當日新增感染人數。感染人數之估算由2022年12月8日起，至2023年1月19日止。

然後，電腦模型再為其中每個新增感染者，隨機決定其感染日期。因為檢測陽性者，未必是在當天感染，他可以在之前一兩天感染，也可以在之前幾天感染。而這個「隨機決定」本身是依照如果當事人於某一個日子之前檢測為陰性而如今再檢測則為陽性的概率而定。

再然後，電腦模型再為每個新增感染者，隨機決定其疫苗接種史。這個「隨機決定」本身是依照中國官方公佈的每日按年齡接種率，決定每個新增感染者的第一次接種日期、第二次接種日期，以及(18歲以上者)接種加強劑之日期。

之後，電腦模型再依照每個新增感染者之最後接種疫苗的日子，以及已公佈的疫苗有效率，推算該新增感染者由疫苗所得之免疫力。當中，依據學界普遍接受的假定，疫苗所得之免疫力始於疫苗接種後兩星期，而免疫力又於接種六個月後拾級而下。

再之後，電腦模型依據每一個年齡層各自的感染病死率，決定每一個人的按年齡感染病死率。再依此或然率，以及其由疫苗所得之免疫力，決定每個新增感染者會否死亡。如若死亡，則再按其估算潛伏期的分佈，以及其估算由病發至死亡之時間的分佈，決定其死亡之日期。

最後，電腦模型依據其模擬之一百萬人當中按年齡層的病死人數，再將之推算出全國人口的按年齡層的病死人數。

作者所使用的數值及其來源，見於論文的Appendix Table 1。

Source:

Du Z, Wang Y, Bai Y, Wang L, Cowling BJ, Meyers LA. Estimate of COVID-19 deaths, China, December 2022–February 2023. Emerg Infect Dis. 2023 Oct.

URL: https://wwwnc.cdc.gov/eid/article/29/10/23-0585_article

References:

Chinese Center for Disease Control and Prevention (2023a). COVID-19 Clinical and Surveillance Data—Dec 9, 2022 to Jan 23, 2023, China. URL: https://en.chinacdc.cn/news/latest/202301/t20230126_263523.html(accessed September 1, 2023)

Chinese Center for Disease Control and Prevention (2023b). COVID-19 Clinical and Surveillance Data — December 9, 2022 to January 23, 2023, China. [Detailed report]. URL: https://en.chinacdc.cn/news/latest/202301/W020230126558725888448.pdf(accessed September 1, 2023)

Du Z, Wang Y, Bai Y, Wang L, Cowling BJ, Meyers LA (2023). Estimate of COVID-19 deaths, China, December 2022–February 2023. Emerging Infectious Diseases. 2023 Oct. DOI: https://doi.org/10.3201/eid2910.230585

Xiao H, Wang Z, Liu F, Unger JM (2023). Excess All-Cause Mortality in China After Ending the Zero COVID Policy, JAMA Network Open. 2023;6(8):e2330877. DOI: https://doi.org/10.1001/jamanetworkopen.2023.30877

▶️ 馬仲儀醫生：中國疫情遲來的大爆發，醫學專業如何評估「動態清零」成敗？（上）
https://www.youtube.com/watch?v=VgAJ1wRc9FU