新型コロナウイルス感染症COVID-19
|
|
英名： Novel Coronavirus Disease 2019 病原体： SARS-CoV-2 原産地・生態： ヒトの感染症．2019年末に中国武漢市周辺から分布拡大．野生脊椎動物に感染するウイルスがヒトへの感染能力を獲得したと考えられている．
情報源 厚生労働省: 新型コロナウイルス感染症についてhttps://www.mhlw.go.jp/stf/seisakunitsuite/bunya/0000164708_00001.html
|
2023年2月6日時点
将来予測
これらの予測はひとつの方法によるものであって誤差を含み，今後の感染拡大防止策などにより変化すると考えられる．また季節性や人工的な免疫は考慮されていない．感染者数はこれまでのサンプリング方法による報告数であり実際の数ではない．2022年9月26日以降は感染者個人の把握を終了し人数のみの把握となった．
回復
|
|
対策による極低密度化 （< 1人） 地域のなかの感染者（infected）が1人未満（現在の調査努力量）になる時点．緑青が濃いほど早く達成されると予想された．白い部分は2023年8月以降．赤い部分は50%以上の確率で増加（増加率の対数で着色）． |
|
vaccination普及や感染の進行，社会的対策等により感染者の極低密度化に成功する時期（必ずしも根絶ではない）． 2023年1月16日を基準日とし、基準日と2023年2月6日の積算感染者数をもとにsource_sink.pdfの方法で推定したパラメーターにより予測した．基準日以前4週間以内に発見された感染者は基準日においてinfectedであると仮定している．季節性は考慮せず，人工的な免疫獲得者や既感染者の人口からの控除は行っていない．なお地域間移動は2020年7月15日から2021年3月29日までは指数関数を，それ以外は重力モデルを仮定している．計算の収束は良かった． |
|
予測される達成時期（中央値）．赤文字の地域では減少せず増加する可能性が50%以上である．予測期間中の季節や人工的な免疫などの変化は考慮されていない．
|
|
極低密度化（<1名） |
|
|
|
|
|
都道府県 |
予測 |
都道府県 |
予測 |
都道府県 |
予測 |
|
鳥取県 |
2023年8月 |
青森県 |
2023年8月 |
新潟県 |
2023年8月 |
|
島根県 |
2023年8月 |
奈良県 |
2023年8月 |
宮城県 |
2023年8月 |
|
高知県 |
2023年8月 |
長崎県 |
2023年8月 |
京都府 |
2023年8月 |
|
徳島県 |
2023年8月 |
愛媛県 |
2023年8月 |
広島県 |
2023年8月 |
|
福井県 |
2023年8月 |
山口県 |
2023年8月 |
茨城県 |
2023年8月 |
|
佐賀県 |
2023年8月 |
滋賀県 |
2023年8月 |
静岡県 |
2023年8月 |
|
山梨県 |
2023年8月 |
沖縄県 |
2023年8月 |
福岡県 |
2023年8月 |
|
和歌山県 |
2023年8月 |
鹿児島県 |
2023年8月 |
北海道 |
2023年8月 |
|
香川県 |
2023年8月 |
熊本県 |
2023年8月 |
兵庫県 |
2023年8月 |
|
秋田県 |
2023年8月 |
三重県 |
2023年8月 |
千葉県 |
2023年8月 |
|
富山県 |
2023年8月 |
福島県 |
2023年8月 |
埼玉県 |
2023年8月 |
|
宮崎県 |
2023年8月 |
岡山県 |
2023年8月 |
愛知県 |
2023年8月 |
|
山形県 |
2023年8月 |
群馬県 |
2023年8月 |
大阪府 |
2023年8月 |
|
石川県 |
2023年8月 |
栃木県 |
2023年8月 |
神奈川県 |
2023年8月 |
|
大分県 |
2023年8月 |
岐阜県 |
2023年8月 |
東京都 |
2023年8月 |
|
岩手県 |
2023年8月 |
長野県 |
2023年8月 |
|
|
第１波が終わり再拡大が開始する直前のページ 2020年7月2日
第５波が終わり減少が進んだ時期のページ 2021年9月28日
第７波初期のページ 2022年7月19日
概 況
１． 増減の位相の地域差は大きく，2022年10月以降は推定された増加率の上下変動も大きい．全体としてみると10月10日の計算を底に増加率が上昇した（第８波）．11月28日の計算ピークとして現在は増加率が低下している．47都道府県のうち9都道府県で導入された場合に感染者が増加する可能性がある（週あたり増加率＞1.0である可能性が50%以上）．
これまでの経過：
・2020年4月のピーク（第１ピーク，第1波）のあと増加率が低下
・7月には再び感染が急拡大したが（第２ピーク，第２波），8月以降は全国として減少
・9月29日の計算から増加率が上昇し（第３ピーク，第３波），2021年1月中旬の計算から低下
・2021年3月7日の計算から増加期に入り（第４ピーク，第４波），4月20日の計算をピークとして増加率が低下
・2021年7月5日の計算から上昇し（第5ピーク，第５波）．2021年8月16日の計算をピークとして低下し，2021年10月19日と26日に週あたり増加率（1.0より小さいため感染者は減少）が最低
・2021年11月1日の計算から増加率が上昇し2022年1月24日の計算でピークとなり（第６ピーク，第６波），2022年6月20日の計算が増加率の底に（小規模な増減を繰り返しながら低下）
・2022年3月28日の計算を底にして増加率が上昇し（第７ピーク），2022年4月25日をピークとしてゆるやかに低下（2022年5月23日および30日の計算でやや上昇，第８ピーク）
・2022年6月20日の計算を底にして増加率が上昇し（第９ピーク，第７波），2022年7月27日の計算をピークに増加率が低下．
・10月10日の計算を底にして上昇し（第８波），11月28日の計算をピークとして低下．
２．都道府県の間の移動が検出されたのは２回であり，第１波の2020年春と，第６波の2022年の年始に相当する期間（2022年1月10日の計算（対象期間2021年12月20日〜2022年1月10日）から2022年1月24日の計算（対象期間1月3日〜24日）まで）．その他の期間には検出されていない．
３． Omicron株の週あたり増加率はDelta株より大きく重症化リスクは低いとのことだが，これまで散発的な感染のみであった地方の農村で蔓延する可能性がある．
４．2021年8月下旬において感染拡大初期に相当するニュージーランドやオーストラリアでは厳しい社会抑制の下で増加がみられたのに対して，すでに感染のピークを何回か経験した日本で抑制傾向にあった理由は不明．世代あたり増加率R0とvaccinationの普及比率および積算感染者数から単純に予測するより強く抑制されていた．とても感染が起きやすい場所で感染が一巡したか，あるいはそのような場所での集中的なvaccinationが機能したか（イメージの説明susceptibility.pdf）．
また2020年8月に減少した理由も不明．皆の自粛による社会的抑制か，とても高密度で感染が起きやすい場所では感染が一巡して局地的に集団免疫が形成されたか（イメージの説明susceptibility.pdf），あるいはそのような場所での局地的な対策が機能したか，梅雨明け後の気候によるのか．
５．東京都のデータをもとにすると，観察された新規感染者数は７日遅れて軽症・中等症数に反映される．重傷者数は１５日後であり，死亡者数には２４日遅れて反映される．
軽症・中等症数＝７日前の新規感染者数×軽症中等症比率
重症数＝１５日前の新規感染者数×重症比率
死亡数＝２４日前の新規感染者数×死亡率
なお各比率は以下の通り
軽症中等症比率＝１新規感染例が軽症・中等症である平均日数に相当
重症比率＝１新規感染例が重症である平均日数に相当
死亡率＝新規感染者が死亡する確率に相当
東京都2023年2月6日のデータによる計算
|
感染の波 |
開始 |
終了 |
軽症中等症比率（日） 7日遅れ |
重症比率（日） 15日遅れ |
死亡率（％） 23日遅れ |
|
第１波 |
2020年3月 |
2020年6月 |
19.1 |
0.737 |
5.81 |
|
第２波 |
2020年7月 |
2020年9月 |
5.44 |
0.111 |
0.502 |
|
第３波 |
2020年10月 |
2021年2月 |
2.60 |
0.133 |
1.20 |
|
第４波 |
2021年3月 |
2021年6月 |
3.09 |
0.108 |
1.40 |
|
第５波 |
2021年7月 |
2021年10月 |
1.04 |
0.0772 |
0.430 |
|
第６波ａ |
2021年11月 |
2021年12月 |
0.229 |
0.0715 |
0.480 |
|
第６波ｂ |
2022年1月 |
2022年3月 |
0.276 |
0.00492 |
0.143 |
|
第６波ｃ |
2022年4月 |
2022年6月 |
0.276 |
0.00204 |
0.0853 |
|
第７波 |
2022年7月 |
2022年9月 |
0.162 |
0.00156 |
0.0867 |
|
第８波 |
2022年10月 |
継続中 |
0.291 |
0.00303 |
0.164 |
時間遅れに相当する期間の予測をグラフに表示．
https://data.stopcovid19.metro.tokyo.lg.jp/130001_tokyo_covid19_details_testing_positive_cases.csvを用いて解析
６．人口密度が高い都道府県が感染のソース（供給地，下図の赤色）となり，人口密度が低い都道府県ではシンク（導入により散発的に発生するが維持されない地域，下図の青色）となる可能性がある（source_sink.pdf）．一般的にソース地域での集中的な対策がシンク地域にとっての対策にもなる． ただし週あたり増加率が大きなOmicron株以降は人口が少ない地方都市もソ−ス地域となり得る状況にある．
|
|
外来生物の地理分布では，分布の中心で外来生物や感染者の密度が高く，周辺で密度が低いパターンが見られることが多い（下図）．このような類似した地理分布は２つのメカニズムで出現する．ひとつは活発な増殖と拡散の一時点であり（下図左），もうひとつはソース・シンク構造である（下図右）． 対策として下図左では全域でのR0低下と分布拡大の先端でのemergency controlが行われるが，下図右ではソース地域に集中したR0低下対策で個体群全体が根絶されることもある． ただし増殖しやすい変異の出現により潜在的なソース地域が拡大する可能性がある． |
|
|
|
望ましいこと
１．これまでのvaccinationとOmicron株が普及した状況下での高リスク者や後遺症のリスク評価と，その一般市民との共有（リスクコミュニケーション）が望ましい．
２．軽症・中等症者数は新規感染者数から約7日，重症者数は約15日，死亡者数は約23日の遅れをもつため，この範囲の予測は決定論的で容易であり，先回りした医療機関や葬儀施設などの受け入れ準備が可能である．
３．一般的に高い人口密度は急激な感染拡大をもたらす可能性があるため，長期的には地方に分散して居住し，都市に人口が集中しない社会をつくることが望ましい．神奈川県居住者と比較した東京都居住者の感染リスクのオッズ比はおよそ1.8程度であった．
|
|
感染拡大初期での人口と感染者数の関係（両対数目盛）．より正確には人口の代わりに平均混み合い度（自分の周囲の人数を全員で平均する）を用いることが望ましい．人口が多い都道府県では人口当たりの感染者数が多い傾向がありそうだ． 回帰曲線： （感染者数）＝10-4.0×（人口千人）1.4 なお飛火的な分布の可能性がある地域（高知，和歌山，新潟）を除いたreduced major axis法では （感染者数）＝10-6.4×（人口千人）2.1であり人口が10倍になると感染者は100倍になる． |
|
|
第7波のピーク過ぎ（2022年8月29日）までの都道府県の累積感染者数と人口密度の関係．都道府県の人口密度の指標として，最も高密度の500mメッシュの人口を採用した．単純な人口密度（人口／面積）では北海道のような広い人口希薄地とセットになった大都市（札幌）の密度を反映できないため． |
４．新興感染症の可能性も想定した野生動物との望ましい共存関係を考えることが望ましい．
５．国際的にbiosecurityを遵守する状況を作ることが望ましい（認証制度など）．
６．再拡大した場合は，ソース地域となっている大都市圏の人口密集地で集中的な対策をとり，感染が起きる場面と地域を絞り込むことで社会的影響とコストを限定化できる．https://www.stat.go.jp/data/chiri/map/c_koku/t-mitsu/index.html
７．隔離効果（検査とクラスター対策）×社会的抑制効果（リモートワークなど）×集団免疫効果（回復者やワクチン）を必要な値に保ちながら，隔離コスト（感染者数に比例）＋社会的抑制コスト（感染者数によらない）＋集団免疫コストを小さくすることになるのかもしれない．総合的な対策も有効．上記の総合的な効果値が同じであっても，多くの感染者が存在する状態と，ほとんど感染者が存在しない状態があり得る（説明measure.pdf）．隔離により対応できれば社会的抑制よりコスト効率が良く波及効果も含めて経済成長に寄与する可能性がある．感染者密度の管理目標を決めて合意しておくと良いと思われる（感染者密度の管理目標option.pdf）．もし抵抗性の変異株などによりvaccinationによる集団免疫が十分でなければ，人工的な免疫の効果と社会的抑制や隔離を組み合わせて対応することになる．
８．ある感染者について自分が感染した場面と他者を感染させた場面（なし〜複数）の情報が同時に得られれば，世代を時間の単位として次元が感染場面×感染場面のprojection matrixを作成し（例：飲食店で感染した１名が平均して家庭内で○名，オフィスで○名感染させる），最大固有値のsensitivityとして経路の重要度を評価して合意形成に利用できるかもしれない．（個体群の行列モデル．経路不明は感染場面のひとつとしておき，仮定をおいてR0＝最大固有値となるよう逆推定するか）
９．集団のvaccinationが進むと，変異株の中では抵抗性を持つものが相対的に有利になる．新しい変異株の増加率は，地域により環境が違うので，同時に同所に存在する他の株との比較によって測定される（Alpha株について神戸市kobe2021.pdf，全国japan2021feb_march.pdf）．世界中で網羅的な変異株のモニタリングを継続することが望ましい．
ただし入院や死亡などで選択的に変異が除去されるため，特殊な状況を除いて重症化する方向の進化は考えにくい（例外は増殖パラメーターの増加と重症化がリンクして後者の負荷を打ち消すとき．感染しなかった層に感染するようになり，その層が重症化しやすい場合など．ウイルスの立場では感染しなかった層は身近な未利用資源）．なお10才未満については，Omicron株ではそれ以前の株と比較して病原性が少し高くなった（https://covid19.mhlw.go.jp/）．若齢者が感染しやすくなるため結果的にホスト密度が上昇し増加率も高くなる．
掲載日：2020年2月15日，2023年2月8日更新
計算方法：
・現在行っている短期の予測は，個体群モデル（SIRモデル）に都道府県間の移動を組み込んだ状態空間モデルも利用している（source_sink.pdf）．
・初期の分布拡大予測（すでに終了）は，これまで知られている外来生物の分布拡大パターンの中から初期の分布拡大パターンが新型コロナウイルス感染症に類似した種を抽出し，これを合成することで予測を行った．外来種に加えて初発国からの訪問者数（逆順）（日本政府観光局https://statistics.jnto.go.jp/graph/#graph--inbound--prefecture--ranking）と都道府県人口（逆順）も教師データとして投入した．
・計算には「みんなでGIS」の応用プログラム「外来生物侵入順序解析」を使用した．詳細や信頼性の評価はKoike & Morimoto
2018参照．
予測計算，種特性の記載，概況，注意・警戒事項の記載者： 小池文人（横浜国大），既分布の外来生物の分布拡大データは森本信生（畜産草地研究所），および昆虫情報処理研究会のゴケグモ類の情報センター，厚生労働省による過去の新型インフルエンザ情報（過去のまとめ検証用），環境省のヒアリに関する諸情報について，農林水産省のCSF感染野生イノシシの発見地点などによる．ＣＯＶＩＤ−１９の感染者数の情報は各都道府県ホームページのほか朝日新聞と日経新聞の集計による．
文献：
Koike, F. and Morimoto, N. 2018. Supervised forecasting of the range expansion of novel non-indigenous organisms: alien pest organisms and the 2009 H1N1 flu pandemic. Global Ecology and Biogeography 27:991–1000. https://doi.org/10.1111/geb.12754
アンドロイド端末で文字化けが起きる場合は[設定]，[端末管理]，[アプリ]から[Google]の[ストレージ]で[キャッシュを消去]してみてください．