📊 事件背景：尼帕病毒——疫情地图上的“红色警报”
2026年1月24日，多家媒体援引权威信源报道，印度西孟加拉邦暴发尼帕病毒疫情。这并非普通流感或卷土重来的新冠病毒，而是一种被世界卫生组织列为“重点病原体”的致命病毒。报道指出，其死亡率在40%到75%之间，这意味着每10名感染者中，可能有4到7人面临死亡威胁。目前尚无专门疫苗或特效疗法。
这则新闻将两个关键词摆在了我们面前：“高致死率”和“数据的不确定性”。与每日公布的确诊、死亡总数不同，这类疫情的数据往往是离散的、小规模的，甚至是估算的。我们如何用Excel，从零散的病例报告中，量化个人风险，并理解公共卫生决策的紧迫性？这比计算总量更关键。
📈 建立尼帕病毒疫情风险评估模型
我们模拟一个公共卫生研究小组，正在分析从不同机构、不同阶段收集到的、规模有限的尼帕病毒感染病例数据。这些数据可能不完整，但足以让我们建立初步的风险认知框架。
表1：历史与当前尼帕病毒爆发案例死亡率参考（模拟数据）
此表汇集了不同时间、地点爆发的尼帕病毒疫情的已知死亡率，用于建立基准认知。
| | | | |
|---|
| 1 | 尼帕病毒历史爆发案例死亡率参考 | | | |
| 2 | 爆发地点/研究 | 报告病例数 | 死亡病例数 | 观察到的死亡率 |
| 3 | | | | =C3/B3 |
| 4 | | | | |
| 5 | | | | |
| 6 | | | | |
| 7 | 当前西孟加拉邦疫情 (模拟) | 8 | ？ (危重1例) | 待计算 |
| 8 | WHO官方死亡率范围 | | | 40% - 75% |
表2：模拟患者预后追踪表（用于动态风险分析）
假设我们追踪一个小型患者队列（模拟当前疫情的部分患者），记录他们的关键指标并预判风险。
| | | | | |
|---|
| 1 | 小型患者队列预后模拟追踪 | | | | |
| 2 | 患者ID | 年龄 | 出现神经系统症状 | 基础疾病史 | 预后风险评估 |
| 3 | | | | | |
| 4 | | | | | |
| 5 | | | | | |
| 6 | | | | | |
| 7 | | | | | |
🔧 函数工坊：用四个核心函数量化生死概率
1. 基础除法与百分比：计算最残酷的“死亡率”
面对疫情，首要问题是：有多致命？死亡率是最直接的答案，其核心计算就是除法。
在表1的D3单元格，计算历史疫情的死亡率：
公式解读：死亡数 / 病例数。这是所有流行病学分析的基石。将单元格格式设置为“百分比”，可显示为39.6%（105/265的结果），与广泛引用的历史数据吻合。关键动作：将此公式向下填充至D6。你会发现，不同爆发的死亡率差异巨大，从约40%到超过90%。这正是新闻中给出一个宽泛范围（40%-75%）的原因——它综合了不同条件下的历史表现。
2. AVERAGE与MIN/MAX函数：界定风险波动的“恐怖走廊”
面对波动数据，我们需界定其范围与中心趋势。
① 计算历史平均死亡率（在D8下方单元格）：
公式解读：AVERAGE函数计算D3:D6区域（历史观察死亡率）的算术平均值。它能给出一个“典型”致死水平的参考，假设结果为65%。这意味着，从历史看，感染尼帕病毒后存活下来的平均概率仅约35%。② 计算历史死亡率范围（在D9单元格）：
= "从 " & TEXT(MIN(D3:D6), "0.0%") & " 到 " & TEXT(MAX(D3:D6), "0.0%")
MIN(D3:D6)：找出历史最低死亡率。
MAX(D3:D6)：找出历史最高死亡率。
TEXT(..., "0.0%")：将小数格式化为百分比。
&：连接文本与计算结果。
输出示例：“从 39.6% 到 91.3%”。这个由MIN和MAX函数划定的范围，直观展示了尼帕病毒杀伤力的巨大不确定性，比单一平均数更具冲击力。
3. IF函数：为每个患者贴上“风险等级”标签
在资源有限的紧急情况下，必须对患者进行分诊和风险分级。医学上，出现神经系统症状（如脑炎）和有严重基础疾病是预后不良的高危因素。
在表2的J3单元格，为第一位患者进行风险评估：
=IF(OR(H3="是", I3<>"无"), "🔴 极高风险：需ICU监护", IF(AND(H3="否", I3="无"), "🟡 中风险：密切观察", "🟠 高风险：加强监测"))
OR(H3="是", I3<>"无")：判断患者是否“出现神经系统症状”或“有基础疾病”。满足任一条件，即为“极高风险”。
如果不满足极高风险，则进入下一层判断：AND(H3="否", I3="无")，判断是否“无神经系统症状”且“无基础疾病”。满足此条件，则为“中风险”。
如果以上都不满足（例如，有基础病但暂无神经症状），则归为“高风险”。
公共卫生意义：这个IF函数模拟了疫情前线快速分流的决策逻辑，能将有限的医疗资源（如ICU床位）优先分配给死亡概率最高的患者，是提升整体存活率的关键。
4. 综合应用：生成疫情紧急响应报告
结合当前模拟疫情数据（表1第7行：8例确诊，1例危重），我们可以生成一份动态报告。
假设在K1单元格汇总：
="【尼帕病毒疫情紧急评估】" & CHAR(10) & "1. 历史杀伤力：平均死亡率" & TEXT(AVERAGE(D3:D6), "0.0%") & "，波动范围" & TEXT(MIN(D3:D6), "0.0%") & "-" & TEXT(MAX(D3:D6), "0.0%") & "。" & CHAR(10) & "2. 当前威胁：模拟" & B7 & "例确诊中，已出现危重病例。若按历史均值估算，潜在死亡风险为" & TEXT(B7*AVERAGE(D3:D6), "0") & "人。" & CHAR(10) & "3. 行动核心：立即启动'IF函数式'患者分级管理，将资源向'🔴极高风险'者倾斜。"
【尼帕病毒疫情紧急评估】
历史杀伤力：平均死亡率65.0%，波动范围39.6%-91.3%。
当前威胁：模拟8例确诊中，已出现危重病例。若按历史均值估算，潜在死亡风险为5人。
行动核心：立即启动“IF函数式”患者分级管理，将资源向“🔴极高风险”者倾斜。
💡 模型扩展：从分析到预警与资源规划
敏感性分析：用数据表功能模拟，如果确诊病例数（B7）增加到50、100例，在40%和75%两种死亡率假设下，预估的死亡人数区间是多少。
资源需求预测：结合IF函数判定的高风险患者比例，假设“🔴极高风险”患者需1个ICU床位，“🟠高风险”需监护床位，用COUNTIF统计两类患者数，快速预估床位需求。
传播速率监控：如果获得每日新增病例数据，可用AVERAGE计算平均增速，用MAX关注峰值，预警疫情是否在加速扩散。
📝 核心启示：Excel是应对“不确定性危机”的概率推演器
尼帕病毒疫情与新冠等大规模疫情不同，其恐怖在于极高的个体死亡概率和因数据稀少带来的巨大不确定性。通过构建这个模型，我们学会了：
基础除法是“风险定义器”：它用最简明的公式死亡数/病例数，定义了疾病的残酷本质。40%-75%不是一个模糊的形容词，而是可以代入具体数字进行计算的风险参数。
AVERAGE与MIN/MAX是“不确定性测绘仪”：它们共同描绘了风险的“可能区间”。知道最坏情况（MAX）有助于做最充分的应急准备，知道平均水平（AVERAGE）有助于进行资源的中期规划。
IF函数是“生死分流器”：在极高死亡率疾病面前，医疗决策本质上是基于有限信息的优先级排序。IF函数将复杂的临床指南转化为可自动执行的分类规则，这是在危机中实现理性、高效响应的数据基石。
最终，这个模型揭示了一个比病毒本身更深刻的道理：在公共卫生危机中，对“概率”和“不确定性”的管理能力，与对“病毒”本身的战斗同样重要。Excel的这些基础函数，正是我们将未知的恐惧，转化为可计算、可分析、可应对的“管理对象”的第一套工具。它让我们明白，面对一种最高致死率可达75%的病毒，冷静的数据分析所支撑的科学决策，是黑暗中指引生路的最可靠微光。
