![image](https://user-images.githubusercontent.com/56643819/73993021-f650e580-498b-11ea-84d1-7010a632c1b0.png)

天津某百貨大樓內部相繼出現 5 例新冠肺炎確診病例，從起初的 3 個病例來看，似乎找不到任何流行病學上的關聯性。在這種背景之下，作為技術人員可以透過什麼技術來找尋病例之間的聯絡呢？

## 摘要
最初，nCoV 新冠病毒的擴散過程是由一個人（節點）向各其他人（節點）擴散的樹狀結構，但隨著病毒的變異和人員交叉感染、“百家宴”、“聯歡會”、“春運”等人員聚集，疫情擴散為網狀結構。可以使用圖資料庫來儲存相關人員、地理位置、感染時間等資料，本文將使用圖資料庫 **Nebula Graph** 作為工具，帶大家一起探討疫情的傳播路徑，並找到相關的疑似病例。

## 天津案例簡述
下面用 Usr1、Usr2、Usr3、Usr4、Usr5 來代指這 5 例病例，看一下他們的行為軌跡：

Usr1 資訊: 
- Usr1 於 1 月 24 日開始發熱，在 1 月 22 日至 1 月 30 日期間在天津百貨大廈 A 區工作，於 1 月 31 日確診；
- Usr2 資訊：Usr2 為 Usr1 丈夫，於 1 月 25 日開始出現腹瀉症狀，於 2 月 1 日確診；
- Usr3 資訊：Usr3 於 1 月 18 日接觸過一個疑似病例，而後在天津百貨大廈 B 區工作，於 1 月 24 日開始發熱，於 2 月 1 日確診；
- Usr4 資訊：Usr4 於 1 月 12 日、13 日接觸過疑似病例，而後在天津百貨大廈 C 區工作，於 1 月 21 日開始發熱，於 2 月 1 日確診；
- Usr5 資訊：Usr5 於 1 月 23 日下午 16 點到 23 點到過天津百貨大廈 A、B、C 區，1 月 29 日開始發熱，2 月 2 日確診；

下面我們來建立一個傳播路徑的模型。

## nCoV 新冠病的資料分析

以我們現有的資料顯示，本次 nCoV 的傳播路徑為人傳人（圖 Demo1），即一個點透過特定訪問路徑連線到一個點。單個節點看來傳播路徑為一個樹形結構（圖 Demo2）——確診病人 A 感染 B，B 再感染 C，C 再感染 D…。根據現在疫情傳播情況，存在多個確診病人，所以整個傳播鏈路呈網狀結構（圖 Demo3）。而無論是樹形結構還是網狀結構都很適合用圖（網路）這種資料結構來儲存、查詢和分析。

![image](https://user-images.githubusercontent.com/56643819/73993025-0072e400-498c-11ea-8103-2e51bcf93266.png)

## 圖模型

在建模之前我們需要清楚人和人之間的關係載體是什麼？根據現有的病例資訊，我們知道 A 和 B 會的接觸場景最常見的是：**同一個時間段逗留在某個相同的空間。**這也是本次疫情篩選需隔離人群的重要指標：是否和確診 / 疑似病例在酒店、火車、超市有過密切接觸。

![image](https://user-images.githubusercontent.com/56643819/73993051-154f7780-498c-11ea-979a-856452c5f9f2.png)

可見最小模型中有兩類節點 `Person` 和 `Space` ，關係為 `stay` 。最小模型有了，那麼我們需要 Person 和 Space 的什麼資訊呢？

Person 型別節點的屬性：

- _ID：_Person 的身份證，用來標識人
- _HealthStatus _：健康狀態，有 2 種狀態
  - Health：健康
  - Sick：生病
- _SickTime_：發熱開始時間，可以用來追溯病人發病的先後次序

Space 型別節點的屬性：

- _ID_：Space ID，用來唯一標識 space
- _Address_：space 地址

![image](https://user-images.githubusercontent.com/56643819/73993090-34e6a000-498c-11ea-8f13-ae94ea7655be.png)

我們構建完 Person 和 Space 的模型之後，再構建人和位置之間的關係：

在 stay 關係上，記錄有逗留的**起始時間**和**終止時間**。這樣就可以幫助我們判斷兩個人是否有過時間和空間上的交集。

## 天津案例的建模

構建完最小模型之後，我們來分析一下天津病例中的資訊，將模型應用在這個案例中。並透過圖資料庫 Nebula Graph **構建病例間關係、找尋病例1 的發病原因——病例1 怎麼被傳染的，及病例1 確診後我們需要觀察/隔離哪些人**？

整個模型的示意如下：

![image](https://user-images.githubusercontent.com/56643819/73993101-3ca64480-498c-11ea-90ee-144f93893a5c.png)

### 資料錄入

Usr1:
- Person 資訊：ID 2020020201，HealthStatus：Sick，SickTime：20200124；
- Stay Time：起始時間 1 月 23 日 12 點，終止時間 18 點；
- Place 資訊：天津百貨大廈 A 區；
- Stay Time：起始時間 1 月 23 日 18 點，終止時間 24日 8 點；
- Place 資訊：天津市和平區 A 小區；

Usr2:
- Person 資訊：ID 2020020202，HealthStatus：Sick，SickTime：20200125；
- Stay Time：起始時間 1 月 23 日 12 點，終止時間 23 點；
- Place 資訊：天津市和平區 A 小區；

Usr3:
- Person 資訊：ID 2020020203，HealthStatus：Sick，SickTime：20200125；
- Stay Time：起始時間 1 月 23 日 15 點，終止時間 19 點；
- Place 資訊：天津百貨大廈 B 區；
- Stay Time：起始時間 1 月 23 日 12 點，終止時間 23 點；
- Place 資訊：天津市河西區 B 小區；

Usr4:
- Person 資訊：ID 2020020204，HealthStatus：Sick，SickTime：20200121；
- Stay Time：起始時間 1 月 23 日 11 點，終止時間 20 點；
- Place 資訊：天津南開區某火鍋店；
- Stay Time：起始時間 1 月 23 日 20 點，終止時間 23 點；
- Place 資訊：天津市濱海區 B 小區；

Usr5:
- Person 資訊：ID 2020020205，HealthStatus：Health，SickTime：NULL（無）；
- Stay Time：起始時間 1 月 23 日 11 點，終止時間 15 點；
- Place 資訊：天津南開區某火鍋店；
- Stay Time：起始時間 1 月 23 日 16 點，終止時間 23 點；
- Place 資訊：天津百貨大廈 A、B、C 區；

將它匯入到 NebulaGraph 中， 建立人和空間之間的關係。這裡以 Usr1 的軌跡為例，其餘幾份病例類似。

```bash
-- 插入 Usr1
INSERT VERTEX person(ID, HealthStatus, SickTime) VALUES 1:(2020020201, ‘Sick’, '2020-01-24'); 
-- 插入 位置 “天津百貨大廈 A 區”
INSERT VERTEX place(name) VALUES 101:("天津百貨大廈 A 區")
-- Usr1 到 “天津百貨大廈 A 區”
INSERT EDGE stay (start_time, end_time) VALUES 1 -> 101: ('2020-01-23 12:00:00'， '2020-01-23 18:00:00')
-- 插入 位置 “天津市和平區 A 小區”
INSERT VERTEX place(name) VALUES 102:("天津市和平區 A 小區")
-- Usr1 回家
INSERT EDGE stay (start_time, end_time) VALUES 1 -> 102: ('2020-01-23 18:00:00'， '2020-01-24 8:00:00')
```

### 病例資料分析
資料匯入後，讓我們一步步揭開病例1 被感染之謎：

#### 1. 查詢 Usr1 在 1 月 23 日 15 點至 23 點之間去過哪裡

```bash
$PlaceUsr1Goto = GO FROM 1 OVER stay WHERE stay.start_time > '2020-01-23 15:00:00' AND 
stay.start_time < '2020-01-23 23:00:00'
YIELD stay._dst AS placeid
```

#### 2. 查詢這段時間 Usr1 是否接觸過任何（已發病的）病例

```bash
GO FROM $PlaceUsr1Goto OVER stay REVERSELY WHERE $$.person.HealthStatus == 'Sick' 
   AND $$.person.SickTime <= "2020-01-23"
```

很奇怪，在 Usr1 發病的時候(2020-01-24)，他接觸的人群裡面並沒有發熱患者。那會不會是這些人又接觸過其他的患者呢（從而成為攜帶者），讓我們繼續分析。

#### 3. 查詢這些人又接觸過誰
```bash
$PersonUsr1Meet = GO FROM $PlaceUsr1Goto OVER stay REVERSELY YIELD stay._dst AS id
$PlaceThosePersonGoto = GO FROM $PersonUsr1meet.id OVER stay YIELD stay.start_time AS start
    stay.end_time AS end
GO FROM $PlaceThosePersonGoto.id FROM stay REVERSELY 
    WHERE $$.person.HealthStatus == 'Sick'
    AND $$.person.SickTime <= "2020-01-23"  -- 在此之前已經發病
    stay.start_time > $PlaceTHosePersonGoto.start 
    AND stay.end_time < $PlaceThosePersonGoto.end  -- 並且有過接觸
```
我們發現，雖然 Usr1 在 1 月 23 日 12 點到 1 月 24 日 8 點之間接觸的人（Usr2, Usr5）都還沒有發熱，但是 Usr5 卻在之前接觸過發熱病人 Usr4。至此，我們找到了這條傳播鏈路：

Usr4 在 1 月 21 日發病。發病後，他仍前往天津南開區某火鍋店（1 月 23 日 11 點- 20 點）。在這裡，他接觸到（當時健康的）Usr5（1 月 23 日 11 點-15 點）。在接觸過程中使得 Usr5 成為一個攜帶者。之後 Usr5 前往天津百貨大廈 A、B、C 區（ 1 月 23 日 16 - 23 點），在這段時間內，他將病毒傳染給在 A 區上班的 Usr1（1 月 23 日 12 點 - 18 點）。最終 Usr1 在 1 月 24 日發病。

#### 4. 之後排查需要隔離哪些人
Usr1 確診之後，我們需要檢視她在哪些時候到過哪些地方。而對應這個時間段相同地點內，又有哪些人同她接觸。 我們判斷這些親密接觸者，需要重點隔離和觀察。

```bash
GO FROM 1 OVER stay YIELD stay.start_time AS usr1_start, 
stay.end_time AS usr1_end, stay._dst AS placeid
| GO FROM $placeid OVER stay REVERSELY WHERE 
stay.start_time > usr1_start AND stay.start_time < usr1_end
YIELD $$.person.ID
```

可以發現 Usr1 和 Usr2 在天津市和平區 A 小區有過交集，這使得 Usr2 需要被重點觀察。

## 傳播路徑視覺化展示

上面這段分析過程，也可以使用圖形化介面的方式來互動分析，這樣更加直觀。

![image](https://user-images.githubusercontent.com/56643819/73993159-59427c80-498c-11ea-9b33-99d81adc3231.png)

當然，如果有非常大批次的關注點（例如上千萬離開湖北的潛在人員和他們的二次三次傳播軌跡），透過批次程式查詢的方式會更加高效。

## 小結

由於春節返鄉和一些不可描述的影響，導致冠狀病毒的大面積擴散。從報導和社交媒體上可以看到，各個社群、村莊、企業都採用了相當嚴格的隔離措施，要求個人每日彙報行蹤和健康狀態，並密切跟蹤從疫區來的人員。這樣十幾億人的隔離和追蹤需要極大的人力物力和動員能力，充分體現了“集中力量辦大事”的制度優越性。

但另外一方面，這樣的自我申報和層層統計，非常依賴個人的自覺，也依賴於彙報體系的響應速度。特別是當生死攸關（或者一刀切的歧視政策）的時候，個人反而有很強的動機隱瞞過去的行為和病史，導致未能得到及時的隔離和救治，也極大的影響了需要專業分工合作的現代經濟生產活動。

另外一方面，隨著大資料技術的發展和智慧裝置的普及，使得安防、運營商、交通、醫療部門的資料體系已經建立的較為全面。

在天津這個案例中，只選取了少數幾個病例和場所作為示意，我們相信如果能夠結合前述資料體系，並透過採用新的大資料和人工智慧技術，能夠極大提高定位和隔離疑似患者的速度，大大減少各種“有效人傳人”和“超級毒王”的發生，減少一線醫療和社群工作人員的壓力。也能降低全社會的全面隔離時間，儘快恢復經濟活動。

![image](https://user-images.githubusercontent.com/56643819/73993175-63647b00-498c-11ea-9f7f-2819e770b047.png)

![image](https://user-images.githubusercontent.com/56643819/73993180-67909880-498c-11ea-9c7a-c7592c126cde.png)

## 參考資料
- 堪比推理小說！天津百貨大樓5病例“迷局”： [http://www.bjd.com.cn/a/202002/03/WS5e37d067e4b002ffe994092e.html](http://www.bjd.com.cn/a/202002/03/WS5e37d067e4b002ffe994092e.html)
- 圖資料庫技術 [https://github.com/vesoft-inc/nebula](https://0x7.me/itpub2github)

從天津百貨大樓 5 病例“迷局”見新冠病毒傳播路徑

相關文章