详解医学顶刊《柳叶刀》最新发表新型冠状病毒研究论文


 我是夕小瑶,一只热爱科研的小狐狸

作者:夕小瑶,小鹿鹿鹿,QvQ

前言

新型冠状病毒(2019-nCoV)的突发恰逢春节,千家万户都对疫情十分关注。令人心痛的是,病毒带来的不止有病痛,还有来自各路媒体的大量谣言和不实解读。作为科研工作者的我们,希望能略尽绵薄之力,为大家整理学术界最新研究成果,并进行通俗易懂、严谨客观的翻译和解读。

具体来说,我们对 2020年1月24日 发表在医学领域国际顶级期刊《柳叶刀》上的关于新型冠状病毒(2019-nCoV)的两篇论文(这也是目前唯二且最新的两篇论文)进行了整理和编译,客观且通俗的呈现论文的原始数据、原始分析和原始结论,并进行了部分重要细节的强调。

在正文开始之前,先插播一个普遍存在的口罩选择误区。

口罩选择

论文和各路报道中普遍提到的N95医用防护口罩虽然是最佳选择,但是价格贵,并且现在相当难买。如果不是近期需要去医院、人流密集地带或与病人密切接触,性价比更高的选择是购买医用外科口罩

 

注意,是医用外科口罩,普通的医用口罩是没有过滤作用的。几种医用口罩的区别科普见

https://www.cn-healthcare.com/articlewm/20200122/wap-content-1083539.html

这里不对购买渠道作任何推荐,大家在购买时一定要留意包装上是否有注明这是医用外科口罩,符合YY 0469-2011的要求。如下图。

 

Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China 

 

该论文发表于2020年1月24号(三天前),对前41个确诊的新型冠状病毒患者(2019年12月16日至2020年1月2日)进行了详细的病症观测和相关特征提取。论文中将本次新型冠状病毒命名为the 2019 novel coronavirus,简称2019-nCoV

 

这41例确诊的患者都是通过下一代测序(nextgeneration sequencing)或实时RT-PCR(real-time RT-PCR)的方法检测到了呼吸道标本中存在2019-nCoV。患者的临床表现与SARS非常相似。重症患者会发展为急性呼吸窘迫综合征(ARDS),需要转入ICU输氧治疗

提醒:近期一些利欲熏心的黑心商家开始传播一些谣言,声称研制出了可以确诊的特殊试纸、仪器并公开上市发售,请大家理智判断,谨防上当受骗。

死亡率

关于新型冠状病毒死亡率存在很多错误的计算方式和不实

谣言一:死亡率很低,死了50个,确诊2000个,死亡率只有2.5%

谣言二:死亡率很高的,确诊2000个,但是现在只治愈了50个,治愈率只有2.5%

谣言三:死亡率很高的,治好了49个,死了56个,死亡率高达53%

以上计算都是明显不严谨、不科学的!!!

 

对死亡率最科学、客观的计算方式是先确定一批确诊患者,然后对其进行持续追踪,直到所有患者均出院或死亡为止,计算出死亡者所占比例。

 

在这篇论文中追踪的41例确诊患者中,最终28名(68%)已出院,六名(15%)患者已死亡。出院适应性的基础是至少消退10天的发烧,并改善胸部放射学证据和上呼吸道呼吸道样本的病毒清除率。所以目前研究成果中的对死亡率的初步估计是15%

 

但是,这个15%可能不是最终的数据,一方面是小样本估计会有偏差,另一方面早期会更加关注危重病例,可能会导致死亡率估计比实际值偏高。期待后面对更多的患者进行追踪、统计,减小对死亡率估计的偏差。

患者特性

1. 是否有华南海鲜市场接触史

下图是从首例发病日期(2019年12月1日)起到2020年1月2日,发病患者是否有海南市场接触史柱状图。其中蓝色表示无华南海鲜市场接触史,红色代表有华南海鲜市场接触史),横坐标为发病日期,纵坐标为患者数量。

 总得来说,66%的患者有武汉华南海鲜市场接触史,因此该地点被高度怀疑为发病源头。但是需要注意的一个细节是,2019.12.1第一例患者发病,但是该患者并没有武汉华南海鲜市场接触史,并且他的家人均未发烧或出现任何呼吸道症状,而且他和之后的患者之间也没有发现流行病学的联系;接下来2019.12.10发病的三例患者中,有两位也是没有华南海鲜市场接触史。因此谨慎的说,疾病的发病源头仍然存在其他地方的可能性。

 

而第一例因病致死的患者则是一直在华南海鲜市场活跃,最终由于连续7天有发烧,咳嗽和呼吸困难而住院,最终死亡。发病5天后,他的妻子在没有接触华南海鲜市场的情况下也患上了肺炎。

 

2. 性别

在研究的41位确诊患者中,男性占比较大占73%,女性占27%。

3. 年龄分布

横坐标为年龄,纵坐标为患者数(蓝色为非重症患者数,红色为ICU重症患者数)。

 注:41位患者年龄中位数为49岁,前41例中无儿童和青少年。

 

4. 病史

有32%的患者在感染前已经患有其他疾病。其中,有20%(占总患者比例)的患者患有糖尿病,15%患有高血压,15%患有心血管疾病。

症状(患病特征)

在所观测的41位患者中,98%的患者有发烧症状,这是召回该病症的最强特征。具体的体温占比如下:

  

如下是其他症状的发病占比

在55%呼吸困难患者中,从发病到出现呼吸困难经历的天数范围为5到13天,中位数为8天。有32%的患者因重度急性呼吸窘迫综合征(ARDS)转至重症监护室(ICU)治疗,其中,从入院到病情恶化到ARDS最短短至两天

 

虽然2019-nCoV感染的这些特征与SARS-CoV和MERS-CoV有一些相似之处,但是2019-nCoV的患者很少感染有明显的上呼吸道症状(例如鼻涕,打喷嚏或喉咙痛),表示2019-nCoV的目标细胞可能位于下呼吸道此外,2019-nCoV患者很少出现肠道症状和体征(例如腹泻),而约20–25%的MERS-CoV患者或SARS-CoV感染引起腹泻。

发病机理与治疗方案

发病机理尚未被完全解释,尸检或活检研究将是了解该疾病的关键。

鉴于SARS-CoV,MERS-CoV,和本次的2019-nCoV感染可诱导大量细胞因子,因此糖皮质激素经常用于治疗重症患者,以期减少炎症引起的肺损伤。然而在SARS和MERS中的经验表明,接受该激素治疗不但没有降低死亡率,反而会导致病毒被清除的更为缓慢。因此对于2019-nCoV的激素治疗方案需要进一步系统性评估。

 

之前的一项研究表明,洛匹那韦和利托那韦的联合使用可为SARS-CoV患者带来实质性的临床获益(不良的临床结局较少)。雷姆昔韦(广谱抗病毒核苷酸前药)也被证明可以有效治疗MERS-冠状病毒和SARS-CoV感染。然而,由于2019-nCoV是一种新兴病毒,因此截止到发文日期(1月24日),尚未开发出有效的方法来治疗由该病毒引起的疾病。由于指定医院已经可以使用lopinavir和ritonavir的组合,因此已迅速启动了一项随机对照试验,以评估lopinavir和ritonavir联合使用对2019-nCoV感染住院的患者的疗效和安全性。

A familial cluster of pneumonia associated with the 2019 novel coronavirus indicating person-to-person transmission: a study of a family cluster

这篇论文也是在2020年1月24日发表于柳叶刀。论文对一个感染肺炎的七口之家进行了详细的医学诊疗和调查溯源。

这一家七口的迁移路径如下图(手机端请点开放大)

 上图是七口之家2019年12月29日到2020年1月4日从深圳去武汉再从武汉回深圳,最终6人确诊感染病毒的过程。红色框代表1-6号病人在武汉和武汉的亲属有亲密接触(吃饭聚餐等),黄色框代表3-6号病人回到深圳家中和7号病人一起生活。红色十字白底框代表1号和2号亲属在医院过夜,红色十字蓝底框代表1号病人、3号病人和3号亲属去医院探望被诊断为发热肺炎的1号亲属。

 

深圳的这七口之家,一位老人留在深圳家中,六位去武汉看望亲属(12月19日到1月4日),看望亲属后回到深圳家中,其中四位和留在深圳的老人一起生活(1月4日到1月11日)。七口之家中的六位先后出现发热等症状并最终确诊,而他们都没有接触过动物、去过华南海鲜市场和吃过野生动物。值得注意的是,7号病人在此前的14天中没有去过武汉或者深圳的市场,仅于1月8日由于背痛去当地医院门诊部就诊。

 

关于这个家庭案例,存在多种可能的传播路径:

第一个最有可能的传播路径是1号病人在武汉看望病人时被感染后,从武汉回深圳的1-5号病人将病毒再传播给一直在深圳的7号病人。

第二种可能是,1-5号病人均在武汉期间被2-5号亲属传染,然后回到深圳后将其传播给7号病人。但是这种情况的可能性较小,因为1-5号病人的症状出现在2-5号亲属之前。

第三种可能性是1-5号病人由于一个未知的公共源在武汉期间被感染,将其传播给7号病人。

2-5号亲属没有接触过动物、去过华南海鲜市场和吃过野生动物,很有可能在医院或者其他社群中被感染,但是这无法从科学的角度去考证。值得注意的是,去武汉市医院探视过的1号和3号病人很有可能在出现症状之前就被感染,因为5号病人没有症状但是仍可以传播病毒。

该发现表明新型冠状病毒可能通过人传人,再通过被感染者的旅行在城市之间传播。且令人难以相信的是,去过武汉的家庭感染率高达83%6位去武汉的家庭成员中1-5号共5位被感染)

虽然译者认为数据基数过小,可能在统计意义上的缺乏可信度

另一个发现是,存在无症状的感染案例(5号病人)。虽然SARS无症状的感染并不常见,但是在2004年出现的小型SARS中有记录。此外,3号和4号病人无发热症状,这种隐蔽的被感染者很有可能加速病毒的传播和疫情的扩散。

以上就是这两篇论文的主要内容,如有错误之处烦请在评论区指出。最后,控制疫情,政府、社会各界和公众都在持续努力。请大家对疫情防护有信心,不传谣不信谣。

夕小瑶的卖萌屋

一只ai科研的小狐狸带你解锁AI秘籍

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/480878.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

AI学习笔记--人机对话的四种形态

AI学习笔记--人机对话的四种形态 ><div class"show-content-free"><p>最近在筹备转行 AI PM 由于之前的产品线也有做过类似 AI 的智能客服产品&#xff0c;所以打算先从人机对话这个角度入手。</p><p>以下文章结合了一些 case&#xff0c…

Spring Cloud简介,为什么需要Spring Cloud?

一、为什么需要Spring Cloud&#xff1f; 从分布式/微服务的角度而言&#xff0c;就是把我们一个大的项目分解成多个小的模块&#xff0c;这些小的模块组合起来&#xff0c;完成功能&#xff1b;而拆分出多个模块以后&#xff0c;就会出现各种各样的问题&#xff0c;而Spring C…

论文浅尝 | 「知识图谱」领域近期值得读的 6 篇顶会论文

本文转载自公众号&#xff1a;PaperWeekly。CIKM 2017■ 论文 | Hike: A Hybrid Human-Machine Method for Entity Alignmentin Large-Scale Knowledge Bases■ 链接 | https://www.paperweekly.site/papers/1528■ 解读 | 罗丹&#xff0c;浙江大学硕士1. Motivation 随着语义…

NLP最佳入门与提升路线

一只小狐狸带你解锁NLP/ML/DL秘籍作者&#xff1a;夕小瑶&#xff0c;小鹿鹿鹿&#xff0c;QvQ前言对突如其来的长假感到惶恐和不安&#xff1f;紧盯2019-nCoV的最新消息却依然感觉很空虚&#xff1f;腰酸萎靡脖子僵甚至怀疑自己有点发烧&#xff1f;这是长时间没学习的症状。 …

揭秘任务型对话机器人(下篇)

本文来自专栏语言、知识与人工智能&#xff0c;作者腾讯知文实验室 近年来比较热门的任务型对话的研究主要集中在端到端的框架的研究&#xff0c;基本跟传统任务型算法框架——语言理解模块&#xff08;Spoken Language Understanding&#xff0c;对话管理模块(Dialogue Manage…

斯坦福大学NLP公开课CS224n上映啦!华人助教陪你追剧

一只小狐狸带你解锁NLP/DL/ML秘籍作者&#xff1a;小鹿鹿鹿&#xff0c;QvQ&#xff0c;夕小瑶CS224n: Natural Language Processing with Deep LearningStanford / Winter 2020开课啦&#xff01;&#xff01;在大量开源工具的席卷下&#xff0c;NLP领域也不可避免的受到了“调…

论文浅尝 | Improved Neural Relation Detection for KBQA

Yu M, Yin W, Hasan K S, etal. Improved Neural Relation Detection for Knowledge Base QuestionAnswering[J]. 2017.论文链接&#xff1a;https://arxiv.org/pdf/1704.06194.pdf概要本文提出了一种基于不同粒度对关系和问题进行文本匹配的关系检测的模型&#xff08;HR-BiLS…

多轮对话之对话管理(Dialog Management)

多轮对话之对话管理(Dialog Management)徐阿衡人工智能与机器学习工程师​关注她115 人赞同了该文章开始涉猎多轮对话&#xff0c;这一篇想写一写对话管理&#xff08;Dialog Management&#xff09;&#xff0c;感觉是个很庞大的工程&#xff0c;涉及的知识又多又杂&#xff0…

互联网公司常用架构模式梳理

一、管理和监控 1.1、大使模式&#xff1a;创建代表消费者服务或应用程序发送网络请求的帮助服务 进程外的代理服务&#xff08;很多框架层面的事情可以以软件框架的形式寄宿在进程内&#xff0c;也可以以独立的代理形式做一个网络中间件&#xff09;。这里的大使模式意思就是…

知识工场 | CN-DBpedia 漫游指南

本文转载自公众号&#xff1a;知识工场。CN-DBpedia于2015年12月上线以来&#xff0c;已经有两年多的时间了&#xff0c;在数据层面做了大大小小百余项完善&#xff0c;在CN-DBpedia 3.0 即将上线之际&#xff0c;尽管我们觉得离完美还有距离&#xff0c;但也是时候拿出来让大家…

【杂谈】那些酷炫的深度学习网络图怎么画出来的?

一只小狐狸带你解锁NLP/ML/DL秘籍正文来源&#xff1a;有三AI还在用PPT画图&#xff1f;醒醒亲爱的&#xff0c;0202年了&#xff01;&#xff01;1 NN-SVG这个工具可以非常方便的画出各种类型的图&#xff0c;是下面这位小哥哥开发的&#xff0c;来自于麻省理工学院弗兰克尔生…

最新任务型对话数据集大全

合适的数据集或者语料是优秀的自然语言研究工作的基础&#xff0c;然而找寻合适的数据集通常是一件耗时耗力的工作。这时候一份优质的数据集汇总就能帮助科研人员&#xff0c;在研究开始的时候事半功倍。这篇文章就向你介绍一份优质的数据集汇总&#xff0c;帮助你的研究工作轻…

互联网架构:常用基础中间件介绍

一般而言中间件和框架的区别是&#xff0c;中间件是独立运行的用于处理某项专门业务的CS程序&#xff0c;会有配套的客户端和服务端&#xff0c;框架虽然也是处理某个专门业务的但是它不是独立程序&#xff0c;是寄宿在宿主程序进程内的一套类库。 图上绿色部分代表了框架&…

论文浅尝 | How to Keep a Knowledge Base Synchronized

Citation: Liang, J.,Zhang, S. & Xiao, Y. (2017). How to Keep a Knowledge Base Synchronized withIts Encyclopedia Source. Proceedings of the Twenty-Sixth International JointConference on Artificial Intelligence, 3749–3755. 论文链接&#xff1a;https://ww…

揭秘任务型对话机器人(上篇)

https://juejin.im/post/5b21d548e51d4506d93701e7 欢迎大家前往腾讯云社区&#xff0c;获取更多腾讯海量技术实践干货哦~本文来自专栏语言、知识与人工智能&#xff0c;作者腾讯知文实验室1. 什么是任务型机器人任务型机器人指特定条件下提供信息或服务的机器人。通常情况下是…

如何判断样本标注的靠谱程度?置信度学习(CL)简述

一只小狐狸带你解锁NLP/DL/ML秘籍来源&#xff1a;AI科技评论前言使用ImageNet、CIFAR、MNIST 或 IMDB 这些数据集时&#xff0c;你是不是会潜意识中假设&#xff0c;这些数据集中的类标签都是正确的&#xff1f;然而&#xff0c;你可能不知道&#xff1a;ImageNet数据集中至少…

论文浅尝 | Open world Knowledge Graph Completion

来源&#xff1a;AAAI2018论文链接&#xff1a;https://arxiv.org/pdf/1711.03438.pdf代码链接&#xff1a;https://github.com/bxshi/ConMask本文解决知识库补全的问题&#xff0c;但和传统的 KGC 任务的场景有所不同。以往知识库补全的前提是实体和关系都已经在 KG 中存在&am…

NLP十大研究方向Highlights!

前言 DeepMind 科学家 Sebastian Ruder总结整理了机器学习和自然语言处理领域 10 个影响巨大的有趣研究方向&#xff0c;本文将介绍该10个方向所取得的主要进展&#xff0c;简要说明我认为这个方向重要的原因&#xff0c;最后对未来的工作进行简短的展望。 这 10 个方向分别是…

图解Transformer

原文标题&#xff1a;The Illustrated Transformer 原文链接&#xff1a;https://jalammar.github.io/illustrated-transformer/ 论文地址&#xff1a;https://arxiv.org/abs/1706.03762 前言 Transformer在Goole的一篇论文Attention is All You Need被提出&#xff0c;为了方…

知识工场 | 让机器认知中文实体 —复旦大学知识工场发布中文实体识别与链接服务

本文转载自公众号&#xff1a;知识工场。一、什么是实体识别与链接近年来&#xff0c;如何通过知识图谱让机器实现自然语言理解受到越来越多的关注。其中&#xff0c;识别文本中的实体&#xff0c;并将它们链接到知识库中&#xff0c;是让机器理解自然语言的第一步&#xff0c;…