Effektiviteten af ​​mobilitetsbegrænsninger til at kontrollere spredningen af ​​COVID-19 i en resistent befolkning, del 2

3. Metode

Vi opdelte vores metode i tre trin: Daglige målinger, korrelationer og befolkningsmodstandsintervaller og deltavariantestimater. Al koden er skrevet fra bunden ved hjælp af Python.

Forholdet mellem Delta-mutation og immunitet er meget kompliceret, fordi Delta-mutation er en ny coronavirus-mutation, som er forskellig fra tidligere coronavirus-mutationer. Ifølge aktuel forskning har Delta-varianten højere infektivitet og stærkere patogenicitet, hvilket betyder, at den kan have en vis indflydelse på immuniteten. Undersøgelsen viste, at Delta-mutationen af ​​den nye coronavirus kan svække vaccinens beskyttende virkning. Ifølge en nylig undersøgelse er den beskyttende effekt af vaccination mod Delta-varianten noget reduceret. Dette kan være relateret til en nøglemutation i Delta-varianten, hvilket gør det lettere for virussen at undgå immunresponset. Derudover har nogle undersøgelser vist, at Delta-varianten kan inficere mennesker, der allerede er blevet inficeret med virussen, hvilket svækker deres immunrespons.

Men selvom Delta-mutationen kan have en vis negativ indvirkning på immuniteten, er vacciner stadig et nøglemiddel til at forhindre og kontrollere spredningen af ​​den nye coronavirus. Selvom vaccinen muligvis skal opdateres for bedre at kunne håndtere fremkomsten af ​​Delta-varianten og andre varianter, er vaccinen fortsat yderst effektiv til at beskytte mennesker mod alvorlig sygdom og hospitalsindlæggelse. Derudover er det meget vigtigt at fokusere på bedre personlig hygiejne og social distancering for at mindske spredningen af ​​den nye coronavirus. Fra dette synspunkt skal vi være opmærksomme på forbedringen af ​​vores immunitet. Cistanche kan øge immuniteten, og polysacchariderne i kød kan regulere immunresponset i det menneskelige immunsystem, forbedre immuncellernes stressevne og styrke immuncellerne. bakteriedræbende effekt.

Klik cistanche tubulosa ekstrakt pulver

3.1. Daglige målinger

I dette afsnit er vores hovedformål at beregne følgende daglige variable: mobilitetshastighed (for hver af de fem POI'er), vækstrate (GRt j ) af tilfælde og andelen af ​​befolkningen med resistens (FR), som vist i Figur 3. For mobilitetsraten tager vi værdier direkte fra Google Mobility-datasættet. Andre variabler blev beregnet som følger.

For at estimere vækstraten for tilfælde anvender vi formel (2) fra [21] med en 11-dages forsinkelse mellem mobilitetsmålinger og den øjeblikkelige tidsmæssige afledte af antallet af tilfælde baseret på de optimale forsinkelsesfund i [35] :

Vækstraten for tilfælde (GRt j ) for et specifikt land j og en given dag t beregnes som den logaritmiske ændringsrate for de nye tilfælde over de foregående tre dage i forhold til den logaritmiske hastighed for de nye tilfælde i løbet af den foregående uge. Her er c t j antallet af nye tilfælde i land j på dag t.

For at estimere andelen af ​​befolkningen med resistens for et specifikt land på en given dag kombinerede vi andelen af ​​mennesker med naturlig immunitet (dvs. dem, der allerede har fået COVID-19 og er blevet raske) med andelen af ​​vaccinerede personer :

hvor den samlede andel af personer med en eller anden form for resistens (FRT) afhænger af andelen af ​​tilfælde (FRc) til dato, hvilket estimeres ved at skalere det samlede antal rapporterede tilfælde (CTot) med en multiplikator (m) for hvert land, som vist i tabel 2. Disse multiplikatorer m, som tegner sig for underrapportering, er taget fra talrige undersøgelser i litteraturen. Denne tilgang antager, at naturlig resistens ikke er falmet, hvilket kan være en acceptabel antagelse i de indledende stadier af pandemien. Hvis denne analyse skulle gentages, vil vi anbefale at begrænse vinduet af tilfælde, der fører til naturlig resistens for at tage højde for det faktum, at (a) pandemien sandsynligvis har varet længere end den typiske varighed af resistens, hvilket fremgår af det enorme antal observerede reinfektioner i det seneste år, og (b) det ser ud til, at Omicron-varianterne er særligt gode til at undgå vores forsvar, og geninfektion kan forekomme på ret korte tidsskalaer. Fraktionen med naturlig resistens (FRc) lægges til den del af befolkningen, der er vaccineret (FRv), hvilket er estimeret i ligning (5). For at undgå dobbelttælling af personer, der både har fået COVID-19 og også var vaccineret, skaleres FRv med (1−FRc).

3.2. Korrelationer og befolkningsmodstandsintervaller

Efter at have estimeret de daglige variable, samler vi landenes tidsserier i intervaller baseret på FRT. Dette resulterer i forskellige perioder for hvert land, hvor procentdelen af ​​befolkningen med modstand er ens. For at opnå dette fulgte vi processen i figur 4, hvor vi først betragtede hvert af landene og opdelte tidsserien i perioder baseret på den samlede brøkdel af modstands-FRT: vi vælger den første beholder med FRT til at ligge mellem {{1} }–10 procent , den anden mellem 10–20 procent og så videre op til 60–70 procent . Derefter beregnede vi for hver periode korrelationen mellem Googles tidsforsinkede mobilitetsscore og vækstraten for tilfælde (GRt j ) for hver enkelt af POI'erne. Vi brugte en Pearson-korrelation, hvor 1 angiver en stærk positiv korrelation, 0 er ingen korrelation, og -1 er en stærk negativ korrelation.

3.3. Delta Variant Estimater

For at bestemme, hvordan fremkomsten af ​​Delta-varianten påvirker disse korrelationer, beregnede vi andelen af ​​Delta for hver periode med FRT og identificerede perioder med høje fraktioner af Delta og lave fraktioner af Delta (<10%) (Figure 5). This was accomplished by first filtering the COVID-19 variants dataset based on country and variant. The start and end dates for each FRT period were identified, and 14 days of lag were added to each (since the sequenced samples were only collected every two weeks). Then the nearest dates from the COVID-19 variants dataset were selected to represent the relevant period. The following formula was used to estimate the fraction of the Delta variant (F∆):

hvor (F∆) er lig med de sekventerede prøver af Delta-varianten (n∆) divideret med alle de sekventerede prøver i den periode (ikke).

Til sidst aggregerede vi korrelationskoefficienterne for alle lande og hver af POI'erne og FRT-perioderne; vi betragter to transmissionsbaner, den ene, som kun inkluderer data, hvor Delta < 10 procent (Pre-Delta) og den anden, som inkluderer alle dataene (post-Delta).

4. Resultater

4.1. Korrelation mellem mobilitet og COVID-19-tilfælde

Histogrammet af de målte korrelationer mellem vækstraten for tilfælde og mobilitet på tværs af alle 14 lande og for alle POI'er er vist i figur 6. Korrelationen spænder fra −0.67 til 0.66, med de fleste data i området [−0.29, 0.28]. Ved denne granularitet tyder data på, at der ikke er nogen reel sammenhæng mellem mobilitet og vækstrate, dvs. i gennemsnit påvirker ændring af mobilitetsmønstre ikke antallet af tilfælde. Denne grovkornede tilgang skjuler imidlertid effekten af ​​bestandsresistens, hvilket vil blive afsløret i de følgende afsnit.

4.2. Effekten af ​​befolkningsresistens på COVID-19-transmission

Efterhånden som pandemien skrider frem, stiger andelen af ​​befolkningen med resistens over for virussen enten via vaccination eller ved at pådrage sig COVID-19 og komme sig. For at få en fornemmelse af indvirkningen af ​​modstand på korrelationen mellem væksthastighed og mobilitet, overveje følgende to ekstreme tilfælde. I en naiv befolkning, hvor ingen har nogen modstand mod virussen, repræsenterer enhver kontakt en potentielt ny infektion; i dette scenarie vil det sandsynligvis føre til flere sager at bruge tid på POI'er, der øger antallet af kontakter i befolkningen (f.eks. transitstationer). Derfor forventer vi i en naiv befolkning, at mobilitet i højkontakt POI'er er stærkt korreleret med vækstraten af ​​tilfælde. I den anden yderlighed, hvis størstedelen af ​​befolkningen er resistente over for virussen, er det usandsynligt, at de fleste kontakter i et givet POI fører til overførsel. Dette tyder på, at i en stærkt resistent befolkning vil mobilitet i højkontakt POI'er kun være svagt korreleret med vækstraten, hvis overhovedet.

For at teste dette arkiverede vi dataene efter den del af befolkningen med resistens, FRT (som er estimeret ud fra både vaccinationsrate og tidligere infektioner som beskrevet ovenfor). Resultaterne af denne øvelse for fritids- og detail-POI'er er vist i figur 7. Hvert punkt repræsenterer den gennemsnitlige korrelationskoefficient (gennemsnit for alle lande i de relevante perioder) mellem vækstraten for COVID-19-tilfælde og mobilitet. Søjlerne fanger 75 procent af dataene; outliers er blevet fjernet for at rydde op i visualiseringen og fremhæve tendenser. Standardfejlen i middelværdien er 0.056, som vist ved det grå område i plottet. Som forventet, når kun en lille del af befolkningen er resistente (ca. 0-25 procent, som vist med de orange punkter i dette tilfælde), er der en klar sammenhæng mellem mobilitet og vækstraten af ​​tilfælde, hvilket tyder på, at begrænsning af adgang til rekreations- og detailvirksomheder tidligt i pandemien kan være gavnlige til at begrænse antallet af transmissioner. Men efterhånden som modstanden i befolkningen vokser, bliver sammenhængen mellem mobilitet og vækstraten af ​​tilfælde successivt svagere.

Lignende plots, der viser effekten af ​​befolkningsresistens på de fire andre POI'er - transitstationer, arbejdspladser, dagligvarer og apoteker og parker - er vist i figur 8. Alle POI'er viser lignende tendenser med klare sammenhænge mellem mobilitet og vækstrate af tilfælde, når fraktionen af befolkningen med modstand er lav; efterhånden som modstanden stiger, falder korrelationerne støt og bliver ubetydelige ved forskellige kritiske værdier af FRT.

Transit stations reveal a similar trajectory to retail and recreation, as shown at the top of Figure 8, where for FRT between 0–25%, there is a significant mean correlation (>0.056) mellem mobilitet og vækstrate. Derefter, når FRT stiger over 25 procent, falder korrelationen støt; arbejdspladser viser også en lignende tendens. For dagligvarer og apoteker og parker er sammenhængen ikke så stærk som med transitstationer, detailhandel, rekreation eller arbejdspladser. Som vist i figur 8 er der en klar sammenhæng, når FRT < 10 procent. Derefter betyder korrelation at svæve tæt på nul, hvilket tyder på, at begrænsning af mobilitet kan være nyttigt i nogle tilfælde og ikke i andre; Hvorvidt dette er tilfældet eller ej afhænger af andre afbødende faktorer, der er på plads.

The mean correlation thresholds used to distinguish between correlated (orange), uncorrelated (light blue), and slight negative correlation (dark blue) in this analysis, along with their restriction recommendations, are shown in Table 3. Here we have taken a conservative approach in which any correlation mean greater than the standard error in the mean, >0.056, er markeret som positivt korreleret (orange), og det kan derfor være nyttigt at begrænse mobiliteten i denne periode. På den anden side betyder korrelation, at det er<−0.056 are negatively correlated and are marked as dark blue. The correlation means between −0.056 and 0.056 represent a regime in which no significant correlation was measured; hence, within the sensitivity of the measurement, mobility restrictions are unlikely to have a significant impact on the growth rate of cases; these points are indicated with light blue markers in Figure 8.

5. Diskussion

5.1. Konsekvenser for mobilitetsbegrænsende politikker

Alle vores data viser en klar og konsekvent tendens: i en naiv befolkning er mobilitet korreleret med vækstraten af ​​tilfælde; efterhånden som befolkningen får modstand, falder denne korrelation til nul, når FRT når en kritisk værdi. Når først denne kritiske værdi af FRT er opnået, og der ikke er nogen sammenhæng mellem mobilitet og væksthastighed (som det er tilfældet for de blå punkter i figur 7 og 8), kan reduktion af mobilitet ved at lukke POI'er have ringe effekt på transmissionshastigheden. Det har været veletableret, at nedlukning af POI'er kan medføre alvorlige økonomiske og sociale omkostninger. Derfor er det en nyttig øvelse at overveje, om afvejningen er det værd. Alle data vist i figur 7 og 8 tyder på, at mobilitetsrestriktioner kan være effektive tidligt i pandemien, men gradvist mister deres styrke, efterhånden som befolkningen får resistens via vaccination eller restitution, og som følge heraf svækkes forbindelsen mellem mobilitet og transmission. Her har vi fremhævet værdierne af FRT (i orange), for hvilke politikker, der begrænser mobilitet, kan have en positiv indvirkning på at bremse spredningen af ​​COVID-19. På samme måde angiver det blå punkt værdier af FRT, for hvilke mobilitetsrestriktioner sandsynligvis ikke vil have en væsentlig indvirkning på transmissionen.

Disse blå og orange grupperinger er opsummeret i tabel 3. Dataene tyder på, at detail- og rekreationssteder, transitstationer og arbejdspladser er de POI'er, der vil drage størst fordel af mobilitetsbegrænsende foranstaltninger og sandsynligvis vil fortsætte med at få gavn ud over de indledende faser af pandemien (dvs. indtil FR vokser over 25-30 procent som vist i tabel 4). Vi spekulerer i, at dette kan opstå, fordi disse POI'er deler fælles underliggende karakteristika, der letter transmission (f.eks. indendørs, overfyldt og relativt lange opholdstider).

Den anden gruppe af POI'er, der kan drage fordel af mobilitetsrestriktioner tidligt i pandemien (men tilbagevenden kan være mindre udtalt ud over de indledende faser) er dagligvarer og apoteker. Dette viser igen en klar tendens til, at i en naiv befolkning (op til 10 procent resistent) er mobilitet og vækstrate af tilfælde korreleret; derfor kan det være en fordel at begrænse adgangen eller kontrollere tætheden. Vi spekulerer i, at dagligvarer og apoteker kan klare sig bedre end detailhandel og rekreation og arbejdspladser, fordi nogle undergrupper af kundernes "pick and go" reducerer opholdstiden.

Det er dog vigtigt at bemærke, at disse kritiske værdier - for alle de steder diskuteret ovenfor - er gennemsnittet, og den kritiske værdi af FRT for et bestemt sted afhænger sandsynligvis af POI'ens størrelse, lokale afbødningsstrategier osv. Selvom denne undersøgelse giver nogle generelle "tommelfingerregler", som med enhver politik, er det vigtigt at tage et dybere dyk for at forstå lokale forvirrende faktorer for at bestemme, hvilke POI'er der skal holdes åbne, og hvilke der skal begrænses.

Endelig viser dataene meget lidt sammenhæng mellem mobilitet og væksthastighed i parker for næsten alle værdier af FRT. For FRT > 5-10 procent var korrelationen ubetydelig, hvilket tyder på, at for COVID-19 er det usandsynligt, at det vil føre til øget smitte at holde parker åbne, som giver et udendørsrum for folk at socialisere, (og kan vise sig gavnligt, hvis tilstedeværelsen af ​​let tilgængelige udendørsrum tilskynder folk til at flytte ud af mere transmissive miljøer).

5.2. Effekten af ​​deltavariant på COVID-19-transmission

En udfordring med vores tilgang er, at den del af befolkningen med resistens ikke forekommer som en randomiseret prøve i tide: Resistensen stiger, efterhånden som pandemien skrider frem. Dette introducerer muligheden for, at de korrelationer, vi måler, ikke skyldes resistens, men snarere på grund af de forskellige varianter, der udvikler sig, efterhånden som pandemien skrider frem. I løbet af perioden, betragter vi i denne undersøgelse, var de dominerende varianter den eller de oprindelige stammer og Delta-varianten, som viste sig at være både mere overførbare og mere dødelige end de oprindelige stammer. For at redegøre for fremkomsten af ​​Delta, kørte vi den samme analyse, men fjernede alle punkter, hvor Delta tegnede sig for mere end 10 procent af de opdagede tilfælde. I figur 7 og 8 svarer den fuldt optrukne linje til denne analyse, dvs. de oprindelige stammer uden Delta (<10% Delta), and the dashed line indicates correlations, including Delta variants. All of our analyses were performed before the emergence of the Omicron variants. The results suggest that the emergence of the Delta variant does not impact any of our conclusions.

6. Konklusioner

I denne undersøgelse analyserede vi virkningen af ​​mobilitetsbegrænsende afværgeforanstaltninger på en resistent befolkning, hvor vi overvejede to faktorer: For det første, effekten af ​​resistens for forskellige interessepunkter (POI'er), herunder transitstationer, dagligvarer og apoteker, detailhandel og rekreative steder, arbejdspladser og parker; for det andet effekten af ​​resistens før og efter fremkomsten af ​​Delta-varianten. Vi undersøgte en gruppe på 14 lande med relativt pålidelige COVID-19-tilfældeoptællinger – hvor vi indskrev dataene efter andelen af ​​befolkningen med resistens og tilstedeværelsen af ​​Delta-varianten – ved hjælp af en Pearson-korrelation mellem mobilitet og tilfælde. Vi fandt ud af, at mobilitetsrestriktioner på detail- og rekreationssteder, transitstationer og arbejdspladser højst sandsynligt vil være gavnlige til at kontrollere spredningen af ​​virussen, især hvis andelen af ​​befolkningen med resistens er under 25-30 procent. I nogle tilfælde kan dagligvarer og apoteker nyde godt af mobilitetsrestriktioner, hvis andelen af ​​befolkningen med resistens er under 10 procent. Mens der i parker er ringe fordele ved mobilitetsbegrænsende foranstaltninger.

En begrænsning ved denne undersøgelse er usikkerheden i dataindsamlingen under COVID-19. Vi gjorde dog en indsats for at løse dette problem ved at bruge beregningen for landevalg beskrevet i afsnit 2.4, hvor vi valgte de 14 mest pålidelige lande til undersøgelsen. På den anden side er dette værks styrker dets globale perspektiv og brede indsigt. Som politiske implikationer kan disse indsigter desuden bruges senere til alle infektionssygdomme, der ligner COVID-19, som diskuteret i afsnit 5.1. At vide, hvilke POI'er der skal begrænses mere, mens man overvejer modstandstærsklen, kan hjælpe med at forhindre spredning af sygdommen og redde liv fra tidligere stadier.

I det fremtidige arbejde sigter vi mod at undersøge effekten af ​​befolkningsresistens på både dødsraten og antallet af intensivpatienter. Derudover kan det være interessant at sammenligne effekten af ​​forskellige typer resistens (naturlig resistens versus vaccine versus en kombination af de to). Derudover, efterhånden som flere data bliver tilgængelige, bliver mikroskalaanalyser mulige, når man inkluderer forskellige distrikter og steder i byer.

Forfatterbidrag:

Metodik, DA og AH; kodning og analyse, DA; ressourcer, DA; datakuration, DA; skrivning — oprindeligt udkast til udarbejdelse, DA og AH; skrivning – gennemgang og redigering, DA, AH og MN; visualisering, DA og AH; supervision, AH og MN Alle forfattere har læst og accepteret den offentliggjorte version af manuskriptet.

Finansiering:

Denne forskning blev finansieret af King Abdulaziz City for Science and Technology.

Udtalelse fra det institutionelle revisionsudvalg:

Ikke anvendelig.

Erklæring om informeret samtykke:

Ikke anvendelig.

Erklæring om datatilgængelighed:

Our World in Data [31] – Google leverer et offentligt tilgængeligt mobilitetsdatasæt relateret til pandemien [32] – Our World in Data delte et COVID-19 variantdatasæt [33].

Interessekonflikt:

Forfatterne erklærer ingen interessekonflikt.

Referencer

1. Li, Q.; Guan, X.; Wu, P.; Wang, X.; Zhou, L.; Tong, Y.; Ren, R.; Leung, KSM; Lau, EHY; Wong, JY; et al. Tidlig transmissionsdynamik i Wuhan, Kina, af ny Coronavirus-inficeret lungebetændelse. N. Engl. J. Med. 2020, 382, ​​1199-1207. Tilgængelig online: https://www.researchgate.net/publication/338904336_Early_Transmission_Dynamics_in_Wuhan_ Kina_af_Novel_ Coronavirus-inficeret_lungebetændelse (adgang til den 15. august 2021).

2. Zhu, N.; Zhang, D.; Wang, W.; Li, X.; Yang, B.; Sang, J.; Zhao, X.; Huang, B.; Shi, W.; Lu, R.; et al. En ny coronavirus fra patienter med lungebetændelse i Kina, 2019. N. Engl. J. Med. 2020, 382, ​​727-733. [CrossRef] [PubMed]

3. Wesolowski, A.; Buckee, CO; Engø-Monsen, K.; Metcalf, CJE Forbindelse af mobilitet til infektionssygdomme: Løftet og grænserne for mobiltelefondata. J. Infect. Dis. 2016, 214, S414–S420. [CrossRef] [PubMed]

4. Zhang, Q.; Sun, K.; Chinazzi, M.; Pastore y Piontti, A.; Dean, NE; Rojas, DP; Merler, S.; Mistry, D.; Poletti, P.; Rossi, L.; et al. Spredning af Zika-virus i Amerika. Proc. Natl. Acad. Sci. USA 2017, 114, E4334–E4343. [CrossRef]

5. Davies, NG; Kucharski, AJ; Eggo, RM; Gimma, A.; Edmunds, WJ; Jombart, T.; O'Reilly, K.; Endo, A.; Hellewell, J.; Nightingale, ES; et al. Effekter af ikke-farmaceutiske indgreb på COVID-19-tilfælde, dødsfald og efterspørgsel efter hospitalstjenester i Storbritannien: Et modelleringsstudie. Lancet Public Health 2020, 5, e375–e385. [CrossRef]

6. Flaxman, S.; Mishra, S.; Gandy, A.; Unwin, HJT; Mellan, TA; Coupland, H.; Whittaker, C.; Zhu, H.; Berah, T.; Eaton, JW; et al. Estimering af virkningerne af ikke-farmaceutiske indgreb på COVID-19 i Europa. Nature 2020, 584, 257-261. [CrossRef] [PubMed]

7. Lai, S.; Ruktanonchai, NW; Zhou, L.; Prosper, O.; Luo, W.; Floyd, JR; Wesolowski, A.; Santillana, M.; Zhang, C.; Du, X.; et al. Effekten af ​​ikke-farmaceutiske indgreb for at begrænse COVID-19 i Kina. Nature 2020, 585, 410–413. [CrossRef]

8. Kwon, H.; Hom, K.; Rifkin, M.; Tian, ​​B.; Koylu, C. Udforskning af den spatiotemporale heterogenitet i forholdet mellem menneskelig mobilitet og udbredelse af COVID-19 ved hjælp af dynamisk tidsforskydning. arXiv 2021, arXiv:2109.13765.

9. Xiong, C.; Hu, S.; Yang, M.; Luo, W.; Zhang, L. Data fra mobilenheder afslører dynamikken i et positivt forhold mellem menneskelig mobilitet og COVID-19-infektioner. Proc. Natl. Acad. Sci. USA 2020, 117, 27087-27089. [CrossRef]

10. Casa Nova, A.; Ferreira, P.; Almeida, D.; Dionísio, A.; Quintino, D. Er mobilitet og COVID-19 relateret? Dynamisk analyse for portugisiske distrikter. Entropy 2021, 23, 786. [CrossRef]

11. Steiger, E.; Mussgnug, T.; Kroll, LE Årsagsgrafanalyse af COVID-19-observationsdata i tyske distrikter afslører virkningerne af bestemmende faktorer på rapporterede tilfældetal. PLoS ONE 2021, 16, e0237277. [CrossRef]

12. Cartenì, A.; Di Francesco, L.; Martino, M. Hvordan mobilitetsvaner påvirkede spredningen af ​​COVID-19-pandemien: Resultater fra det italienske casestudie. Sci. Samlet miljø. 2020, 741, 140489. [CrossRef]

13. Noland, RB Mobility og den effektive reproduktionsrate af COVID-19. J. Transp. Health 2021, 20, 101016. [CrossRef] [PubMed]

14. Wielechowski, M.; tjekkisk, K.; Grz ˛eda, Ł. Nedgang i mobilitet: Offentlig transport i Polen i tiden for COVID-19-pandemien. Økonomier 2020, 8, 78. [CrossRef]

15. Åh, J.; Lee, HY; Khuong, QL; Markuns, JF; Bullen, C.; Barrios, OEA; Hwang, SS; Suh, YS; McCool, J.; Kachur, SP; et al. Mobilitetsrestriktioner var forbundet med reduktioner i COVID-19-hyppigheden tidligt i pandemien: Bevis fra en realtidsevaluering i 34 lande. Sci. Rep. 2021, 11, 13717. [CrossRef] [PubMed]

16. Agarwal, A.; Alomar, A.; Sarker, A.; Shah, D.; Shen, D.; Yang, C. To brændende spørgsmål om COVID-19: hjalp det at lukke ned for økonomien? Kan vi (delvist) genåbne økonomien uden at risikere den anden bølge? arXiv 2020, arXiv:2005.00072.

17. Nouvellet, P.; Bhatia, S.; Cori, A.; Ainslie, KE; Baguelin, M.; Bhatt, S.; Boonyasiri, A.; Brazeau, NF; Cattarino, L.; Cooper, LV; et al. Reduktion af mobilitet og COVID-19-overførsel. Nat. Commun. 2021, 12, 1090. [CrossRef]

18. Cabana, Á.; Etcheverry, L.; Fariello, MI; Bermolen, P.; Fiori, M. Vurdering af virkningen af ​​mobilitetsreduktion i den anden bølge af COVID-19. I Proceedings of the 2021 XLVII Latin American Computing Conference (CLEI), Wien, Østrig, 21.-23. april 2021; s. 1-10.

19. da Silva, TT; Francisquini, R.; Nascimento, MC Meteorologiske og menneskelige mobilitetsdata om forudsigelse af COVID-19 tilfælde ved hjælp af en ny hybrid nedbrydningsmetode med analyse af anomalidetektion: Et casestudie i Brasiliens hovedstæder. Ekspert Syst. Appl. 2021, 182, 115190. [CrossRef]

20. Bhowmik, T.; Tirtha, SD; Iraganaboina, NC; Eluru, N. En omfattende analyse af COVID-19-transmissions- og dødelighedsrater på amtsniveau i USA under hensyntagen til sociodemografi, sundhedsindikatorer, mobilitetstendenser og egenskaber for sundhedsinfrastruktur. PLoS ONE 2021, 16, e0249133. [CrossRef]

21. Badr, HS; Du, H.; Marshall, M.; Dong, E.; Squire, MM; Gardner, LM Association between mobility patterns and COVID-19 transmission in the USA: A matematical modeling study. Lancet Infect. Dis. 2020, 20, 1247-1254. [CrossRef]

22. Chang, S.; Pierson, E.; Koh, PW; Gerardin, J.; Redbird, B.; Grusky, D.; Leskovec, J. Mobilitetsnetværksmodeller af COVID-19 forklarer uligheder og informerer om genåbning. Natur 2021, 589, 82–87. [CrossRef]

23. García-Cremades, S.; Morales-García, J.; Hernández-Sanjaime, R.; Martínez-España, R.; Bueno-Crespo, A.; Hernández-Orallo, E.; López-Espín, JJ; Cecilia, JM Forbedring af forudsigelsen af ​​COVID-19 udvikling ved at fusionere epidemiologiske data og mobilitetsdata. Sci. Rep. 2021, 11, 15173. [CrossRef] [PubMed]

24. Wei, Y.; Wang, J.; Sang, W.; Xiu, C.; Ma, L.; Pei, T. Spredning af COVID-19 i Kina: Analyse fra en bybaseret epidemi- og mobilitetsmodel. Byer 2021, 110, 103010. [CrossRef] [PubMed]

25. Kuzdeuov, A.; Baimukashev, D.; Karabay, A.; Ibragimov, B.; Mirzakhmetov, A.; Nurpeiissov, M.; Lewis, M.; Varol, HA En netværksbaseret stokastisk epidemi-simulator: Styring af covid-19 med regionsspecifikke politikker. IEEE J. Biomed. Sundhedsinformation. 2020, 24, 2743-2754. [CrossRef] [PubMed]

For more information:1950477648nn@gmail.com