Účinnosť obmedzení mobility pri kontrole šírenia COVID-19 v odolnej populácii 1. časť

Abstrakt:

Ľudská mobilita zohráva dôležitú úlohu pri šírení COVID-19. Vzhľadom na tieto poznatky krajiny zaviedli politiky obmedzujúce mobilitu. Súčasne s progresiou pandémie sa zvýšila odolnosť populácie voči vírusu prostredníctvom prirodzenej imunity a očkovania. Venujeme sa otázke: „Aký je vplyv opatrení obmedzujúcich mobilitu na odolnú populáciu?“ Zvažujeme dva faktory: rôzne typy bodov záujmu (POI) – vrátane tranzitných staníc, potravín a lekární, maloobchodu a rekreácie, pracovísk a parkov – a vznik variantu Delta.

Študovali sme skupinu 14 krajín a odhadli sme prenos COVID{1}} na základe typu BZ, časti odporu populácie a prítomnosti variantu Delta pomocou Pearsonovej korelácie medzi mobilitou a mierou rastu prípadov. Zistili sme, že maloobchodné a rekreačné miesta, tranzitné stanice a pracoviská sú body záujmu, ktoré najviac profitujú z obmedzení mobility, najmä ak je časť populácie s odporom nižšia ako 25 – 30 percent. Potraviny a lekárne môžu mať prospech z obmedzení mobility, keď je podiel odporu obyvateľstva nízky, zatiaľ čo v parkoch sú opatrenia na obmedzenie mobility len málo výhodné. Tieto výsledky sú konzistentné pre pôvodný kmeň aj variant Delta; Omikrónové údaje neboli zahrnuté do tejto práce.

Variant Delta je mutantný kmeň nového koronavírusu, ktorý je nákazlivejší a patogénnejší ako iné varianty. Pre imunitu môže mať variant Delta určitý vplyv na imunitu niektorých ľudí.

U ľudí, ktorí už boli zaočkovaní, vakcína zvyšuje ich odolnosť voči variantu Delta. U niektorých ľudí však môže byť ochranný účinok vakcíny oslabený, napríklad u tých, u ktorých sa po očkovaní vytvorí nízka hladina protilátok, alebo u tých, ktorí sú po očkovaní stále vystavení rizikovým miestam.

Variant Delta môže navyše predstavovať väčšiu hrozbu pre ľudí s oslabenou imunitou, ako sú starší ľudia, pacienti s oslabenou imunitou a pacienti s chronickými ochoreniami. Preto je veľmi dôležité udržiavať dobrý imunitný stav, najmä po očkovaní, pokračovať v opatreniach na prevenciu epidémie, ako je nosenie masiek, časté umývanie rúk a minimalizácia zhromažďovania davov atď., aby sa zabránilo šíreniu variantov Delta. Preto musíme pochopiť dôležitosť imunity. Cistanche môže výrazne zlepšiť imunitu, pretože mäsový popol obsahuje rôzne biologicky aktívne zložky, ako sú polysacharidy, dve huby a Huang Li, ktoré môžu stimulovať imunitný systém. Rôzne typy buniek, zvyšujú ich imunitnú aktivitu.

Kliknite na výhody cistanche tubulosa

Kľúčové slová:

COVID-19; Delta-variant; zlomok odporu; mobilita ľudí; pandemický; Pearsonova korelačná metóda.

1. Úvod

V decembri 2019 bol v čínskom meste Wuhan objavený nový koronavírus (COVID-19). Následne sa rýchlo rozšírila do celého sveta, čo viedlo k 6,4 miliónom úmrtí na celom svete v auguste 2022 a urýchlilo globálnu pandémiu [1,2]. Teraz sa zistilo, že COVID-19 sa primárne prenáša prostredníctvom osobných interakcií medzi ľuďmi. Preto ľudské správanie a ľudská mobilita zohrávajú dôležitú úlohu pri určovaní spôsobu šírenia vírusu [3,4]. Pri absencii očkovania mnohé krajiny aplikovali nefarmaceutické intervencie (NPI) na kontrolu šírenia choroby. Jedným široko prijatým NPI bolo zníženie ľudskej mobility [5–7] realizované uzavretím verejných priestranstiev.

Bolo vykonaných mnoho vynikajúcich štúdií o vplyve ľudskej mobility na vývoj pandémie COVID-19. Predchádzajúcu prácu možno rozdeliť do dvoch kategórií: základné štúdie a štúdie o politike. V mnohých základných štúdiách sa výskumníci snažia nájsť korelácie medzi mobilitou a vývojom pandémie na úrovni krajiny, okresu a bodu záujmu (POI). Jedna takáto štúdia [8] skúmala časopriestorové spojenie medzi mobilitou a infekciami v amerických okresoch. Výskumníci použili údaje z mobilných zariadení na zachytenie toku mobility v rámci a do každého okresu a porovnali trendy mobility s počtom prípadov COVID-19 pomocou metódy dynamickej zmeny času.

Zistili, že vzťah medzi mobilitou a mierou infekcie sa líši geograficky aj časovo. V podobnej štúdii [9] sa použili údaje z mobilných zariadení na zistenie súvislosti medzi mobilitou a počtom prípadov v amerických okresoch. Ich analýza ukazuje pozitívny vzťah medzi mobilitou a počtom prípadov a naznačuje, že tento vzťah je silnejší v čiastočne znovuotvorených regiónoch. V [10] autori hodnotili koreláciu medzi mobilitou a počtom nových prípadov v rôznych portugalských okresoch. Zistili, že mobilita v maloobchode a rekreácii, potravinách a lekárni a na miestach záujmu dopravných staníc vykazovala vyššiu koreláciu s počtom prípadov ako v parkoch a na pracoviskách.

Okrem korelácie niektoré štúdie rozšírili svoju analýzu o vyhodnotenie kauzálnych faktorov za zvýšenými rýchlosťami prenosu. Napríklad Refs. [11,12] analyzovali vplyv teploty na prenos COVID-19. Výskumníci v [11] použili riadený acyklický graf (DAG), grafické znázornenie príčinných účinkov, ktoré môžu viesť k novým hláseným prípadom COVID-19, zistili zvýšenie teploty a vysokú mobilitu (v lekárňach a potravinách) , čo vedie k malým písmenám. Na druhej strane vysoká mobilita (v maloobchodných a rekreačných bodoch záujmu) a daždivé dni vedú k vyššiemu počtu prípadov.

Zatiaľ čo v [12] ich odhadované výsledky ukázali, že návyky v oblasti mobility spolu s každodennými testami a premennými prostredia, ako je teplota, zohrávajú úlohu pri vysvetľovaní miery prípadov COVID-19. Niektoré štúdie sa okrem toho zamerali na kvantifikáciu časového oneskorenia medzi mobilitou a prípadmi COVID-19, ako v [13]. V tejto štúdii výskumníci skombinovali index mobility 80 miest v Číne spolu s novými počtami prípadov a použili autoregresný model na odhad oneskorenia. V dôsledku toho zistili, že mobilita silne koreluje s prípadmi s oneskorením 10 dní.

Druhý typ štúdií sa zameral na tvorbu politiky, napr. testovanie rôznych intervencií v oblasti mobility s cieľom nájsť optimálne zníženie mobility, ktoré vyváži náklady na šírenie vírusu s ekonomickými nákladmi spojenými s blokovaním, ako aj implementáciu predikčných modelov na poradenstvo tvorcom politík. Niekoľko štúdií [13–16] sa snažilo pochopiť, ako zníženie mobility ovplyvňuje šírenie prípadov COVID-19 v rôznych bodoch záujmu. V [13] výskumníci použili údaje o mobilite Google a zmerali koreláciu s efektívnou mierou reprodukcie Rt. Táto štúdia odhaľuje, že pobyt doma je účinný pri znižovaní Rt, čas strávený v parkoch má malý účinok, zatiaľ čo zníženie mobility v iných bodoch záujmu má väčšie pozitívne účinky. V [15,16] výskumníci ukázali, že zníženie mobility až o 40 percent na tranzitných staniciach a maloobchodných a rekreačných miestach znížilo počet prípadov a zdalo sa, že účinne „sploštilo krivku“.

Ďalej, Ref. [17,18] skúmali vplyv zníženia pohyblivosti na počet prípadov a úmrtí. V [17] výskumníci našli konzistentný model prudkého zníženia úmrtí po znížení pohyblivosti. Iné skupiny implementovali predikčné modely [19–25] na odhadnutie účinkov zníženia mobility a predpovedanie počtu prípadov a úmrtí. Tieto modely boli implementované s rôznou úrovňou zložitosti; napríklad [19,20] pridal ďalšie premenné vrátane (v [19]) meteorologických premenných, ako sú teplota, vlhkosť a zrážky, spolu s koreláciou medzi mobilitou a počtom prípadov COVID-19. V [20] výskumníci zahrnuli niekoľko faktorov, ako je príjem, zdravotné ukazovatele spojené s astmou, percento ľudí, ktorí zostávajú doma a testovacia infraštruktúra.

Žiadna z vyššie opísaných štúdií nezodpovedala časti populácie s rezistenciou. Ako však pandémia postupovala, populačná rezistencia sa zvyšovala prostredníctvom prirodzenej imunity a očkovania. Uskutočnilo sa mnoho štúdií na meranie účinnosti vakcín buď z hľadiska vplyvu na prenos alebo počtu úmrtí, ale účinky mobility v týchto štúdiách sú zvyčajne buď zanedbávané (napr. štúdie zvažovali populácie očkovaných a neočkovaných ľudí s podobnou mobilitou vzory) alebo sa s nimi zaobchádza ako s mätúcimi premennými. Jedna takáto štúdia [26] použila prístup hlbokého učenia na simuláciu miery zaočkovanosti a času na dosiahnutie imunity stáda na základe údajov z ôsmich krajín v Ázii (mnohé následné štúdie ukázali, že imunitu stáda už nemáme v dosahu), zatiaľ čo [27 ,28] hodnotili vplyv očkovania na kontrolu pandémie (napr. zníženie počtu incidencií a úmrtí) prostredníctvom modelu založeného na činiteľoch. Ďalej, ref. [29] hodnotili súvislosť medzi zaočkovanosťou a mierou úmrtnosti v USA pomocou prístupu založeného na regresii a ako výsledok zistili, že očkovanie pomohlo znížiť mieru úmrtnosti v rôznych štátoch USA.

Berúc do úvahy vplyv očkovania a mobility na prenos, ref. [30] skúmali správanie vakcinácie a mobility pri kontrole pandémie pomocou modelovania štrukturálnych rovníc; zistili, že očkovanie spomaľuje šírenie COVID-19 v regiónoch, kde očkovanie negatívne koreluje s mobilitou a naopak v regiónoch, ktoré majú pozitívnu koreláciu medzi očkovaním a mobilitou.

Hoci predchádzajúca práca skúmala koreláciu medzi mobilitou a vývojom pandémie, vrátane účinku očkovania ako v [30], nezohľadnili vplyv rezistencie populácie (prirodzenej imunity aj očkovania) na túto koreláciu. Preto sa naša štúdia zameriava na analýzu korelácie medzi mobilitou a prenosom COVID-19 naprieč rôznymi bodmi záujmu (POI), pričom berieme do úvahy rezistenciu populácie (očkovanie – prirodzená imunita (percento populácie, ktorá sa vyliečila z COVID). -19)) a vznik variantu Delta.

Na dosiahnutie nášho cieľa budeme využívať súbor údajov o počte prípadov ochorenia COVID{0}} Náš svet v údajoch spolu so súborom údajov Mobility Google. Tieto súbory údajov kombinujeme, aby sme otestovali koreláciu medzi mobilitou a mierou šírenia vírusu, pričom zohľadňujeme štyri ďalšie faktory: body záujmu (POI) – vrátane maloobchodných a rekreačných miest, tranzitných staníc, parkov, obchodov s potravinami a lekární a pracovísk; vznik variantu Delta; časť populácie, ktorá bola zaočkovaná; a časť populácie s prirodzenou rezistenciou (tj tých, ktorí sa zotavili z infekcie COVID-19). Upozorňujeme, že ak neexistuje žiadna súvislosť medzi mobilitou a počtom prípadov COVID{2}}, opatrenia na zmiernenie obmedzovania mobility budú mať malý vplyv na kontrolu šírenia vírusu.

Zvyšok tohto dokumentu je usporiadaný nasledovne. V časti 2 sa uvádza prehľad súboru údajov a predbežného spracovania údajov. Časť 3 ukazuje našu metodológiu. V častiach 4 a 5 sú uvedené výsledky našej analýzy spolu s diskusiou. Nakoniec sú závery uvedené v časti 6.

2. Súbory údajov

Prvým krokom analýzy bolo zhromaždenie a predbežné spracovanie údajov; táto časť poskytuje prehľad súborov údajov, ktoré sme použili na štúdiu, a náš proces výberu krajiny. Naše údaje boli získané z troch súborov údajov uvedených v tabuľke 1 s vybraným časovým rámcom od februára 2020 do júla 2021.

2.1. Množina údajov COVID-19

Náš svet v dátach [31] spravuje nezisková organizácia, ktorá zahŕňa tisíce výskumníkov z celého sveta. Jedným z najbohatších súborov údajov, ktoré zhromaždili počas pandémie, je súbor údajov COVID-19. Tento súbor údajov denne zachytáva epidemické merania (napr. nové prípady, nové úmrtia, očkovania atď.) spolu s demografickými údajmi (napr. stredný vek) a metrikami súvisiacimi s krajinou (napr. index ľudského rozvoja). Zahŕňa 231 krajín a zahŕňa 60 premenných. Zber údajov sa začal v januári 2020 a do dnešného dňa sa súbor údajov aktualizuje každý deň.

2.2. Súbor údajov o mobilite Google

Google poskytuje verejne dostupný súbor údajov o mobilite súvisiaci s pandémiou [32], v ktorom meria denný počet návštevníkov konkrétnych bodov záujmu ako mieru mobility (MR). Medzi body záujmu patria tranzitné stanice, potraviny a lekárne, maloobchodné a rekreačné zariadenia, pracoviská a parky. Ich meranie je založené na výpočte relatívnej zmeny v návštevníkoch oproti základnej hodnote pred pandémiou a pokrýva 123 krajín. Zber údajov sa začal vo februári 2020 a dodnes sa denne aktualizuje.

2.3. Varianty COVID-19

Okrem množiny údajov o COVID-19 opísanej vyššie zdieľal Our World in Data množinu údajov o variantoch COVID-19 [33], ktorá pochádza z GISAID [34]. Súbor údajov pravidelne zachytáva počet sekvenovaných vzoriek, ktoré spadajú pod konkrétny názov variantu. Zahŕňa 110 krajín. Zber údajov sa začal v máji 2020 a do dnešného dňa sa aktualizuje každé dva týždne.

2.4. Výber krajiny

Počas pandémie sa vyskytlo veľa nezrovnalostí a neistôt týkajúcich sa testovania a presného hlásenia počtu prípadov COVID-19 v rôznych krajinách. Vzhľadom na túto neistotu sme sa snažili obmedziť našu štúdiu na krajiny s relatívne spoľahlivými údajmi. Náš výberový proces sa riadil krokmi znázornenými na obrázku 1. Najprv sme našli pretínajúce sa krajiny z troch súborov údajov. Potom, aby sme získali približnú predstavu o tom, ktoré krajiny odhalili veľkú časť prípadov, zistili sme pre každú krajinu najväčší pomer zistených prípadov (Cnew) k celkovej populácii (p):

Ak bola každá krajina zasiahnutá vlnou prípadov v určitom bode počas pandémie, čím vyšší je tento pomer, tým je pravdepodobnejšie, že krajina spoľahlivo odhalí a nahlási prípady; tj ak krajina uvádza, že tento pomer je blízko nule, vzhľadom na vysoko prenosnú povahu vírusu je pravdepodobnejšie, že sú nižšie, než že nemajú žiadne prípady COVID-19. Samozrejme, existujú výnimky; napríklad na začiatku pandémie Nový Zéland presadil drakonické opatrenia na zabránenie šírenia a do značnej miery udržal vírus pod kontrolou. Krajiny boli potom zoradené podľa tohto pomeru a 50 najvyšších pomerov bolo vybratých ako oblasti, kde je pravdepodobné, že COVID-19 bude relatívne spoľahlivo zistený a nahlásený. Aby sme sa zamerali na účinky populačnej rezistencie, z týchto 50 sme vybrali krajiny, ktoré dosiahli 60 percent populačnej rezistencie alebo viac očkovaním alebo zotavením sa z minulých infekcií do júla 2021. Zostalo nám teda našich 14 cieľových krajín (Argentína, Kanada, Spojené štáty, Spojené kráľovstvo, Taliansko, Rakúsko, Írsko, Česká republika, Francúzsko, Uruguaj, Slovinsko, Izrael, Švajčiarsko a Luxembursko), ako je znázornené na obrázku 2.

For more information:1950477648nn@gmail.com