Effektiviteten af ​​mobilitetsrestriktioner for at kontrollere spredningen af ​​COVID-19 i en resistent befolkning Del 1

Abstrakt:

Menneskelig mobilitet spiller en vigtig rolle i spredningen af ​​COVID-19. På baggrund af denne viden implementerede landene mobilitetsbegrænsende politikker. Samtidig, som pandemien skred frem, steg befolkningens modstand mod virussen via naturlig immunitet og vaccination. Vi behandler spørgsmålet: "Hvad er virkningen af ​​mobilitetsbegrænsende foranstaltninger på en resistent befolkning?" Vi overvejer to faktorer: forskellige typer interessepunkter (POI'er) – herunder transitstationer, dagligvarer og apoteker, detailhandel og rekreation, arbejdspladser og parker – og fremkomsten af ​​Delta-varianten.

Vi undersøgte en gruppe på 14 lande og estimerede COVID-19-transmission baseret på typen af ​​POI, andelen af ​​befolkningsresistens og tilstedeværelsen af ​​Delta-varianten ved hjælp af en Pearson-korrelation mellem mobilitet og vækstraten af ​​tilfælde. Vi finder, at detail- og rekreationssteder, transitstationer og arbejdspladser er de POI'er, der drager størst fordel af mobilitetsrestriktioner, primært hvis andelen af ​​befolkningen med modstand er under 25-30 procent. Dagligvarer og apoteker kan drage fordel af mobilitetsrestriktioner, når befolkningsresistensfraktionen er lav, hvorimod der i parker er ringe fordele ved mobilitetsbegrænsende foranstaltninger. Disse resultater er konsistente for både den oprindelige stamme og Delta-varianten; Omicron-data var ikke inkluderet i dette arbejde.

Delta-varianten er en mutantstamme af den nye coronavirus, der er mere smitsom og patogen end andre varianter. For immunitet kan Delta-varianten have en vis indflydelse på immuniteten hos nogle mennesker.

For personer, der allerede er blevet vaccineret, øger vaccinen deres modstand mod Delta-varianten. Men for nogle mennesker kan den beskyttende virkning af vaccinen være svækket, såsom dem, der udvikler lave niveauer af antistoffer efter vaccination, eller dem, der stadig er udsat for højrisikosteder efter vaccination.

Derudover kan Delta-varianten udgøre en større trussel mod mennesker med svækket immunitet, såsom ældre, immunkompromitterede patienter og patienter med kroniske sygdomme. Derfor er det af stor betydning at opretholde en god immunstatus, især efter vaccination, at fortsætte med at tage epidemiske forebyggende foranstaltninger, såsom at bære masker, vaske hænder og minimere menneskemængder osv. for at forhindre spredning af Delta-varianter. Derfor er vi nødt til at forstå vigtigheden af ​​immunitet. Cistanche kan forbedre immuniteten markant, fordi kødaske indeholder en række biologisk aktive komponenter, såsom polysaccharider, to svampe og Huang Li, som kan stimulere immunsystemet. Forskellige typer celler øger deres immunaktivitet.

Klik cistanche tubulosa fordele

Nøgleord:

COVID-19; Delta-variant; en brøkdel af modstand; menneskelig mobilitet; pandemi; Pearson korrelationsmetode.

1. Introduktion

I december 2019 blev en ny coronavirus (COVID-19) opdaget i Wuhan, Kina. Efterfølgende spredte det sig hurtigt over hele verden, hvilket førte til 6,4 millioner dødsfald på verdensplan fra august 2022 og udløste en global pandemi [1,2]. Det er nu blevet fastslået, at COVID-19 primært overføres gennem personlig interaktion mellem mennesker. Derfor spiller menneskelig adfærd og menneskelig mobilitet en vigtig rolle i at bestemme, hvordan virussen spredes [3,4]. I mangel af vaccination er ikke-farmaceutiske indgreb (NPI'er) blevet anvendt af mange lande for at kontrollere spredningen af ​​sygdommen. En udbredt NPI var reduktion af menneskelig mobilitet [5-7] implementeret via lukning af offentlige rum.

Der er udført mange fremragende undersøgelser af virkningen af ​​menneskelig mobilitet i udviklingen af ​​COVID-19-pandemien. Tidligere arbejde kan bredt klassificeres i to kategorier: grundlæggende og politiske undersøgelser. I mange grundlæggende undersøgelser søger forskere at finde sammenhænge mellem mobilitet og udviklingen af ​​pandemien på lande-, amts- og interessepunkter (POI) niveauer. En sådan undersøgelse [8] undersøgte den spatiotemporale sammenhæng mellem mobilitet og infektioner i amerikanske amter. Forskere brugte mobilenhedsdata til at fange mobilitetsflowet inden for og ind i hvert amt og sammenlignede mobilitetstendenser med COVID-19-tilfældetal ved hjælp af en dynamisk tidsforskydningsmetode.

De fandt, at forholdet mellem mobilitet og infektionsrater varierer både geografisk og tidsmæssigt. En lignende undersøgelse [9] brugte mobilenhedsdata til at finde sammenhængen mellem mobilitet og antal tilfælde for amerikanske amter. Deres analyse viser en positiv sammenhæng mellem mobilitet og antallet af tilfælde og tyder på, at denne sammenhæng er stærkere i delvist genåbnede regioner. I [10] vurderede forfatterne sammenhængen mellem mobilitet og antallet af nye tilfælde i forskellige portugisiske distrikter. De fandt ud af, at mobilitet i detail- og fritids-, dagligvare- og apoteks- og transportstations POI'er udviste en højere korrelation med antallet af tilfælde end i parker og arbejdspladser.

Ud over korrelation udvidede nogle undersøgelser deres analyse for at evaluere årsagsfaktorerne bag øgede transmissionshastigheder. For eksempel, Refs. [11,12] analyserede effekten af ​​temperatur på overførslen af ​​COVID-19. Forskere i [11] brugte en rettet acyklisk graf (DAG), en grafisk repræsentation af de kausale virkninger, der kan føre til nyligt rapporterede tilfælde af COVID-19, de fandt en stigning i temperatur og høj mobilitet (i apoteker og dagligvarer) , hvilket fører til små bogstaver. På den anden side fører høj mobilitet (i detail- og fritids-POI'er) og regnfulde dage til flere tilfælde.

Mens de var i [12], viste deres estimerede resultater, at mobilitetsvaner sammen med daglige tests og miljøvariabler, såsom temperatur, spiller en rolle i at forklare antallet af COVID-19 tilfælde. Derudover fokuserede nogle undersøgelser på at kvantificere tidsforskydningen mellem mobilitet og COVID-19 tilfælde som i [13]. I denne undersøgelse kombinerede forskere mobilitetsindekset for 80 byer i Kina sammen med nye tilfælde og brugte en autoregressiv model til at estimere forsinkelsen. Som et resultat fandt de, at mobilitet er stærkt korreleret med tilfælde med en forsinkelse på 10 dage.

Den anden type undersøgelser fokuserede på politikudformning, f.eks. test af forskellige mobilitetsinterventioner for at finde optimale mobilitetsreduktioner, der balancerer omkostningerne ved viral spredning med de økonomiske omkostninger forbundet med lockdowns, samt implementering af forudsigelsesmodeller til at rådgive politikere. Adskillige undersøgelser [13-16] søgte at forstå, hvordan reduktionen i mobilitet påvirker spredningen af ​​COVID-19 tilfælde på tværs af forskellige POI'er. I [13] brugte forskere Googles mobilitetsdata og målte en korrelation med den effektive reproduktionsrate Rt. Denne undersøgelse afslører, at det at blive hjemme er effektivt til at reducere Rt, tid brugt i parker har ringe effekt, mens reduktion af mobilitet i andre POI'er har større positive effekter. I [15,16] viste forskere, at mobilitetsreduktion på op til 40 procent i transitstationer og detail- og rekreationssteder reducerede antallet af sager og så ud til effektivt at "flade kurven ud".

Endvidere har Refs. [17,18] undersøgte effekten af ​​reduktionen af ​​mobilitet på antallet af tilfælde og dødsfald. I [17] fandt forskerne et konsekvent mønster af en kraftig reduktion i dødsfald efter nedsat mobilitet. Andre grupper implementerede forudsigelsesmodeller [19-25] for at estimere virkningerne af mobilitetsreduktion og forudsige antallet af tilfælde og dødsfald. Disse modeller blev implementeret med varierende kompleksitetsniveauer; f.eks. tilføjede [19,20] yderligere variabler, herunder (i [19]) meteorologiske variabler, såsom temperatur, fugtighed og nedbør, sammen med sammenhængen mellem mobilitet og COVID-19 tilfælde. I [20] inkluderede forskerne flere faktorer såsom indkomst, sundhedsindikatorer forbundet med astma, procentdel af mennesker, der bliver hjemme, og testning af infrastruktur.

Ingen af ​​undersøgelserne beskrevet ovenfor tegnede sig for den del af befolkningen med resistens. Men efterhånden som pandemien skred frem, steg befolkningens modstand via naturlig immunitet og vaccination. Mange undersøgelser blev udført for at måle effektiviteten af ​​vacciner enten med hensyn til indvirkning på overførsel eller antallet af dødsfald, men virkningerne af mobilitet i disse undersøgelser er typisk enten forsømt (f.eks. undersøgelserne betragtede populationer af vaccinerede og uvaccinerede mennesker med lignende mobilitet mønstre) eller behandles som en forvekslende variabel. En sådan undersøgelse [26] brugte en dyb læringstilgang til at simulere vaccinationsrater og tid til at nå flokimmunitet baseret på data fra otte lande i Asien (mange efterfølgende undersøgelser har vist, at flokimmunitet ikke længere er i vores rækkevidde), hvorimod [27 ,28] evaluerede virkningen af ​​vaccination til at kontrollere pandemien (f.eks. reduktion af antallet af forekomster og dødsfald) via en agensbaseret model. Endvidere er ref. [29] vurderede sammenhængen mellem vaccination og dødsrater i USA ved hjælp af en regressionsbaseret tilgang og fandt som et resultat, at vaccination hjalp med at reducere dødsraterne i forskellige stater i USA.

Under hensyntagen til virkningen af ​​vaccination og mobilitet på overførslen, Ref. [30] undersøgte vaccinations- og mobilitetsadfærden til at kontrollere pandemien ved hjælp af strukturel ligningsmodellering; de fandt ud af, at vaccination bremser spredningen af ​​COVID-19 i regioner, hvor vaccinationen er negativt korreleret med mobilitet og omvendt for de regioner, der har en positiv sammenhæng mellem vaccination og mobilitet.

Selvom det tidligere arbejde har undersøgt sammenhængen mellem mobilitet og udviklingen af ​​pandemien, herunder effekten af ​​vaccination som i [30], overvejede de ikke effekten af ​​befolkningsresistens (både naturlig immunitet og vaccination) på denne sammenhæng. Derfor er fokus for vores undersøgelse at analysere sammenhængen mellem mobilitet og COVID-19-transmission på tværs af forskellige interessepunkter (POI'er), mens der tages hensyn til befolkningsresistens (vaccination – naturlig immunitet (procent af befolkningen, der kom sig fra COVID) -19)) og fremkomsten af ​​Delta-varianten.

For at nå vores mål vil vi udnytte datasættet Our World in Data COVID-19 antal tilfælde sammen med Google Mobility-datasættet. Vi kombinerer disse datasæt for at teste sammenhængen mellem mobilitet og hastigheden af ​​viral spredning, mens vi tager højde for fire yderligere faktorer: interessepunkter (POI'er) – herunder detail- og rekreationssteder, transitstationer, parker, dagligvarer og apoteker og arbejdspladser; fremkomsten af ​​Delta-varianten; den del af befolkningen, der er blevet vaccineret; og andelen af ​​befolkningen med naturlig resistens (dvs. dem, der er kommet sig efter en COVID-19-infektion). Bemærk, at hvis der ikke er nogen sammenhæng mellem mobilitet og COVID-19-tilfældetal, så vil mobilitetsbegrænsende afværgeforanstaltninger have ringe indflydelse på at kontrollere spredningen af ​​virussen.

Resten af ​​denne artikel er organiseret som følger. Afsnit 2 introducerer en oversigt over datasættet og dataforbehandling. Afsnit 3 viser vores metode. Afsnit 4 og 5 viser resultaterne af vores analyse sammen med en diskussion. Til sidst drages konklusioner i afsnit 6.

2. Datasæt

Det første trin i analysen var at indsamle og forbehandle dataene; dette afsnit giver et overblik over de datasæt, vi brugte til undersøgelsen og vores landeudvælgelsesproces. Vores data blev hentet fra de tre datasæt vist i tabel 1 med en valgt tidsramme fra februar 2020-juli 2021.

2.1. COVID-19-datasæt

Our World in Data [31] vedligeholdes af en non-profit organisation, der omfatter tusindvis af forskere fra hele verden. Et af de rigeste datasæt, de indsamlede under pandemien, er COVID-19-datasættet. Dette datasæt fanger epidemiske målinger dagligt (f.eks. nye tilfælde, nye dødsfald, vaccinationer osv.) sammen med demografi (f.eks. medianalder) og landerelaterede målinger (f.eks. menneskelig udviklingsindeks). Den dækker 231 lande og omfatter 60 variabler. Dataindsamlingen begyndte i januar 2020, og til dato er datasættet blevet opdateret hver dag.

2.2. Google Mobilitetsdatasæt

Google leverer et offentligt tilgængeligt mobilitetsdatasæt relateret til pandemien [32], hvor det måler daglige besøgstal til specifikke POI'er som en mobilitetsrate (MR). POI'er omfatter transitstationer, dagligvarer og apoteker, detail- og rekreationssteder, arbejdspladser og parker. Deres måling er baseret på at beregne den relative ændring i besøgende fra en baseline før pandemien og dækker 123 lande. Dataindsamlingen begyndte i februar 2020, og den er til dato blevet opdateret dagligt.

2.3. COVID-19-varianter

Ud over COVID-19-datasættet beskrevet ovenfor, delte Our World in Data et COVID-19-variantdatasæt [33], som er hentet fra GISAID [34]. Datasættet fanger med jævne mellemrum antallet af sekventerede prøver, der falder ind under et specifikt variantnavn. Det dækker 110 lande. Dataindsamlingen begyndte i maj 2020, og indtil dato er den blevet opdateret hver anden uge.

2.4. Landevalg

Under hele pandemien har der været mange uoverensstemmelser og usikkerheder omkring test og nøjagtig rapportering af antallet af COVID-19 tilfælde i forskellige lande. I betragtning af denne usikkerhed bestræbte vi os på at begrænse vores undersøgelse til lande med relativt pålidelige rapporterede data. Vores udvælgelsesproces fulgte trinene vist i figur 1. Først fandt vi de krydsede lande fra de tre datasæt. For at få en grov fornemmelse af, hvilke lande der opdagede en stor del af tilfældene, fandt vi for hvert land det største forhold mellem opdagede tilfælde (Cnew) i forhold til den samlede befolkning (p):

Hvis hvert land blev ramt af en bølge af sager på et tidspunkt under pandemien, jo højere dette forhold er, jo mere sandsynligt er det, at landet pålideligt opdager og rapporterer sager; dvs., at hvis et land rapporterer, at dette forhold er tæt på nul, i betragtning af virussens meget overførbare karakter, er det mere sandsynligt, at de undertæller i stedet for, at de ikke har nogen COVID-19-tilfælde. Der er selvfølgelig undtagelser herfra; for eksempel, tidligt i pandemien, gennemtvang New Zealand drakoniske foranstaltninger for at forhindre spredningen og holdt stort set virussen indeholdt. Lande blev derefter sorteret efter dette forhold, og de højeste 50 forhold blev udvalgt som regioner, hvor COVID-19 sandsynligvis vil blive registreret og rapporteret relativt pålideligt. For at fokusere på virkningerne af befolkningsresistens valgte vi ud af disse 50 lande, der opnåede 60 procent befolkningsresistens eller mere via vaccination eller genopretning fra tidligere infektioner inden juli 2021. Dette efterlod os med vores 14 mållande (Argentina, Canada, USA, Storbritannien, Italien, Østrig, Irland, Tjekkiet, Frankrig, Uruguay, Slovenien, Israel, Schweiz og Luxembourg), som vist i figur 2.

For more information:1950477648nn@gmail.com