Účinnosť obmedzení mobility pri kontrole šírenia COVID-19 v odolnej populácii 2. časť

3. Metodika

Našu metodológiu sme rozdelili do troch krokov: Denné merania, Korelácie a rozsahy odporu populácie a Odhady delta variantov. Celý kód bol napísaný od začiatku pomocou Pythonu.

Vzťah medzi mutáciou Delta a imunitou je veľmi komplikovaný, pretože mutácia Delta je nová mutácia koronavírusu, ktorá sa líši od predchádzajúcich mutácií koronavírusu. Podľa aktuálnych výskumov má variant Delta vyššiu infekčnosť a silnejšiu patogenitu, čo znamená, že môže mať určitý vplyv na imunitu. Štúdia zistila, že mutácia Delta nového koronavírusu môže oslabiť ochranný účinok vakcíny. Podľa nedávnej štúdie je ochranný účinok očkovania proti variantu Delta o niečo znížený. Môže to súvisieť s kľúčovou mutáciou vo variante Delta, čo uľahčuje vírusu vyhnúť sa imunitnej odpovedi. Okrem toho niektoré štúdie ukázali, že variant Delta môže infikovať ľudí, ktorí už boli vírusom infikovaní, čím sa oslabí ich imunitná odpoveď.

Hoci mutácia Delta môže mať určitý negatívny vplyv na imunitu, vakcíny sú stále kľúčovým prostriedkom na prevenciu a kontrolu šírenia nového koronavírusu. Hoci môže byť potrebné aktualizovať vakcínu, aby sa lepšie vyrovnala s objavením sa variantu Delta a iných variantov, vakcína zostáva vysoko účinná pri ochrane ľudí pred vážnymi chorobami a hospitalizáciou. Okrem toho je veľmi dôležité zamerať sa na lepšiu osobnú hygienu a opatrenia týkajúce sa sociálneho odstupu, aby sa znížilo šírenie nového koronavírusu. Z tohto hľadiska musíme dbať na zlepšenie našej imunity. Cistanche môže zvýšiť imunitu a polysacharidy v mäse môžu regulovať imunitnú odpoveď ľudského imunitného systému, zlepšiť stresovú schopnosť imunitných buniek a posilniť imunitné bunky. baktericídny účinok.

Click cistanche tubulosa extraktový prášok

3.1. Denné merania

V tejto časti je naším hlavným cieľom vypočítať nasledujúce denné premenné: miera mobility (pre každý z piatich bodov záujmu), rýchlosť rastu (GRt j ) prípadov a časť populácie s rezistenciou (FR), ako je znázornené na Obrázok 3. Pre mieru mobility berieme hodnoty priamo zo súboru údajov Mobility Google. Ostatné premenné boli vypočítané nasledovne.

Na odhadnutie miery rastu prípadov použijeme vzorec (2) z [21] s 11-dňovým oneskorením medzi meraniami mobility a okamžitou časovou deriváciou počtu prípadov na základe zistení optimálneho oneskorenia v [35] :

Miera rastu prípadov (GRt j ) pre konkrétnu krajinu j a daný deň t sa vypočíta ako logaritmická miera zmeny pre nové prípady za predchádzajúce tri dni vo vzťahu k logaritmickej miere nových prípadov za predchádzajúci týždeň. Tu c t j je počet nových prípadov v krajine j v deň t.

Aby sme odhadli časť populácie s rezistenciou pre konkrétnu krajinu v daný deň, skombinovali sme časť ľudí s prirodzenou imunitou (tj tých, ktorí sa už nakazili COVID-19 a zotavili sa) s časťou zaočkovaných ľudí :

kde celkový podiel ľudí s určitou formou rezistencie (FRT) závisí od podielu prípadov (FRc) k dnešnému dňu, ktorý sa odhaduje škálovaním celkového počtu hlásených prípadov (CTot) multiplikátorom (m) pre každú krajinu, ako je uvedené v tabuľke 2. Tieto multiplikátory m, ktoré zodpovedajú za nedostatočné vykazovanie, boli prevzaté z mnohých štúdií v literatúre. Tento prístup predpokladá, že prirodzená odolnosť nezmizla, čo môže byť prijateľný predpoklad počas počiatočných štádií pandémie. Ak by sa táto analýza mala zopakovať, odporúčame obmedziť rozsah prípadov, ktoré vedú k prirodzenej rezistencii, aby sa zohľadnila skutočnosť, že (a) pandémia pravdepodobne pretrvala typické trvanie rezistencie, čo dokazujú obrovské počty pozorovaných reinfekcií v minulom roku a (b) zdá sa, že varianty Omicron sú obzvlášť dobré pri vyhýbaní sa našej obrane a reinfekcia sa môže vyskytnúť v pomerne krátkom čase. Frakcia s prirodzenou rezistenciou (FRc) sa pridáva k frakcii populácie, ktorá bola zaočkovaná (FRv), čo je odhadnuté v rovnici (5). Aby sa predišlo dvojitému započítaniu ľudí, ktorí sa nakazili COVID-19 a zároveň boli zaočkovaní, FRv sa škáluje o (1–FRc).

3.2. Korelácie a rozsahy odporu populácie

Po odhadnutí denných premenných zoradíme časové rady krajín do rozsahov na základe FRT. To má za následok rôzne obdobia pre každú krajinu, v ktorých je percento populácie s odporom podobné. Aby sme to dosiahli, postupovali sme podľa postupu na obrázku 4, kde sme najprv zvážili každú z krajín a rozdelili sme časové rady na obdobia na základe celkovej frakcie rezistencie FRT: vyberieme prvý zásobník FRT, ktorý bude ležať medzi {{1} }–10 percent , druhé medzi 10 – 20 percentami a tak ďalej až do 60 – 70 percent . Potom sme pre každé obdobie vypočítali koreláciu medzi časovo oneskoreným skóre mobility Google a mierou rastu prípadov (GRt j ) pre každý z bodov záujmu. Použili sme Pearsonovu koreláciu, kde 1 znamená silnú pozitívnu koreláciu, 0 žiadnu koreláciu a -1 silnú negatívnu koreláciu.

3.3. Odhady delta variantov

Aby sme určili, ako vznik variantu Delta ovplyvňuje tieto korelácie, vypočítali sme podiel Delta pre každé obdobie FRT a identifikovali sme obdobia s vysokými podielmi Delta a nízkymi podielmi 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∆):

kde (F∆) sa rovná sekvencovaným vzorkám variantu Delta (n∆) vydeleným všetkými sekvenovanými vzorkami počas tohto obdobia (nie).

Nakoniec sme agregovali korelačné koeficienty pre všetky krajiny a každé z bodov záujmu a obdobia FRT; berieme do úvahy dve trajektórie prenosu, jednu, ktorá zahŕňa iba údaje, pre ktoré je Delta < 10 percent (Pre-Delta) a druhú, ktorá zahŕňa všetky údaje (post-Delta).

4. Výsledky

4.1. Korelácia medzi mobilitou a prípadmi COVID{2}}

Histogram nameraných korelácií medzi mierou rastu prípadov a mobilitou vo všetkých 14 krajinách a pre všetky BZ je znázornený na obrázku 6. Korelácia sa pohybuje od −0,67 do 0,66, s väčšinou údajov v rozsahu [−0.29, 0.28]. Pri tejto granularite údaje naznačujú, že neexistuje skutočná korelácia medzi mobilitou a rýchlosťou rastu, tj v priemere modifikácia vzorcov mobility neovplyvňuje počet prípadov. Tento hrubozrnný prístup však maskuje účinok odporu obyvateľstva, ktorý bude odhalený v nasledujúcich častiach.

4.2. Vplyv populačného odporu na prenos COVID-19

Ako pandémia postupuje, časť populácie s rezistenciou voči vírusu sa zvyšuje buď očkovaním, alebo tým, že sa nakazí COVID-19 a zotavuje sa. Aby ste získali predstavu o vplyve rezistencie na koreláciu rýchlosti rastu s mobilitou, zvážte nasledujúce dva extrémne prípady. V naivnej populácii, v ktorej nikto nemá žiadnu rezistenciu voči vírusu, predstavuje každý kontakt potenciálne novú infekciu; v tomto scenári trávenie času v BZ, ktoré zvyšujú počet kontaktov v populácii (napr. tranzitné stanice), pravdepodobne povedie k väčšiemu počtu prípadov. Preto v naivnej populácii očakávame, že mobilita v miestach záujmu s vysokým kontaktom bude silne korelovať s mierou rastu prípadov. Na druhej strane, ak je väčšina populácie odolná voči vírusu, väčšina kontaktov v danom bode záujmu pravdepodobne nepovedie k prenosu. To naznačuje, že v silne odolnej populácii bude mobilita v miestach záujmu s vysokým kontaktom len slabo korelovať s rýchlosťou rastu, ak vôbec.

Aby sme to otestovali, spojili sme údaje podľa časti populácie s rezistenciou, FRT (ktorá sa odhaduje z miery zaočkovanosti a predchádzajúcich infekcií, ako je opísané vyššie). Výsledky tohto cvičenia pre rekreačné a maloobchodné body záujmu sú znázornené na obrázku 7. Každý bod predstavuje priemerný korelačný koeficient (spriemerovaný vo všetkých krajinách počas relevantných období) medzi mierou rastu prípadov COVID{1}} a mobilitou. Stĺpce zachytávajú 75 percent údajov; odľahlé hodnoty boli odstránené, aby sa zjednodušila vizualizácia a zdôraznili sa trendy. Štandardná chyba priemeru je 0.056, ako ukazuje sivá oblasť v grafe. Ako sa očakávalo, keď je odolný len malý zlomok populácie (približne 0 – 25 percent, ako v tomto prípade ukazujú oranžové body), existuje jasná korelácia medzi mobilitou a mierou rastu prípadov, čo naznačuje, že obmedzenie prístupu k rekreačné a maloobchodné zariadenia na začiatku pandémie môžu byť prospešné pri znižovaní počtu prenosov. Ako však odpor v populácii rastie, korelácia medzi mobilitou a mierou rastu prípadov sa postupne znižuje.

Podobné grafy znázorňujúce vplyv odporu obyvateľstva na štyri ďalšie body záujmu – tranzitné stanice, pracoviská, potraviny, lekárne a parky – sú znázornené na obrázku 8. Všetky body záujmu ukazujú podobné trendy s jasnými koreláciami medzi mobilitou a mierou rastu prípadov, keď sa zlomok populácie s rezistenciou je nízka; ako sa odpor zvyšuje, korelácie neustále klesajú a stávajú sa zanedbateľnými pri rôznych kritických hodnotách 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) medzi mobilitou a mierou rastu. Potom, keď sa FRT zvýši nad 25 percent, korelácia neustále klesá; podobný trend vykazujú aj pracoviská. V prípade potravín, lekární a parkov nie je korelácia taká silná ako v prípade tranzitných staníc, maloobchodov, rekreačných priestorov alebo pracovísk. Ako je znázornené na obrázku 8, existuje jasná korelácia, keď FRT < 10 percent. Potom korelácia znamená vznášať sa blízko nuly, čo naznačuje, že obmedzenie mobility môže byť v niektorých prípadoch užitočné a v iných nie; či je to tak alebo nie, pravdepodobne závisí od iných zmierňujúcich faktorov, ktoré sú na mieste.

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, je označený ako pozitívne korelovaný (oranžový), takže obmedzenie mobility počas tohto obdobia môže byť užitočné. Na druhej strane korelácia znamená, že sú<−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. Diskusia

5.1. Dôsledky pre politiky obmedzujúce mobilitu

Všetky naše údaje ukazujú jasný a konzistentný trend: v naivnej populácii mobilita koreluje s mierou rastu prípadov; ako populácia získava rezistenciu, táto korelácia klesá na nulu, keď FRT dosiahne kritickú hodnotu. Akonáhle sa dosiahne táto kritická hodnota FRT a neexistuje žiadna korelácia medzi mobilitou a rýchlosťou rastu (ako je to v prípade modrých bodov na obrázkoch 7 a 8), zníženie mobility uzavretím bodov záujmu môže mať malý vplyv na rýchlosť prenosu. Je dobre známe, že odstavenie BZ môže spôsobiť vážne ekonomické a sociálne náklady. Preto je užitočné zvážiť, či kompromis stojí za to. Všetky údaje uvedené na obrázkoch 7 a 8 naznačujú, že obmedzenia mobility môžu byť účinné na začiatku pandémie, ale postupne strácajú svoju účinnosť, pretože populácia získava rezistenciu prostredníctvom očkovania alebo zotavenia a následne sa spojenie medzi mobilitou a prenosom oslabuje. Tu sme zdôraznili hodnoty FRT (oranžovou farbou), pre ktoré môžu mať pravidlá obmedzujúce mobilitu pozitívny vplyv na spomalenie šírenia COVID-19. Podobne modrý bod označuje hodnoty FRT, pri ktorých je nepravdepodobné, že by obmedzenia mobility mali významný vplyv na prenos.

Tieto modré a oranžové zoskupenia sú zhrnuté v tabuľke 3. Údaje naznačujú, že maloobchodné a rekreačné miesta, tranzitné stanice a pracoviská sú body záujmu, ktoré majú najväčší úžitok z opatrení obmedzujúcich mobilitu a pravdepodobne budú mať prospech aj po počiatočných fázach. pandémie (tj kým FR nenarastie nad 25–30 percent, ako je uvedené v tabuľke 4). Predpokladáme, že k tomu môže dôjsť, pretože tieto body záujmu majú spoločné základné charakteristiky, ktoré uľahčujú prenos (napr. v interiéri, preplnenosť a relatívne dlhé časy pobytu).

Druhou skupinou bodov záujmu, ktoré môžu profitovať z obmedzení mobility na začiatku pandémie (ale návratnosť môže byť po počiatočných štádiách menej výrazná), sú potraviny a lekárne. To opäť ukazuje jasný trend, že v naivnej populácii (až do 10 percent rezistentnej) mobilita a rýchlosť rastu prípadov korelujú; preto obmedzenie prístupu alebo kontrola hustoty môžu byť prospešné. Domnievame sa, že potraviny a lekárne môžu byť na tom lepšie ako maloobchod a rekreácia a pracoviská, pretože určitá podskupina zákazníkov „vyber a choď“ skracuje čas pobytu.

Je však dôležité poznamenať, že tieto kritické hodnoty – pre všetky miesta diskutované vyššie – sú spriemerované a kritická hodnota FRT konkrétneho miesta pravdepodobne závisí od veľkosti POI, miestnych stratégií zmierňovania atď. Podľa niektorých všeobecných „pravidiel“, ako pri každej politike, je dôležité hlbšie pochopiť miestne mätúce faktory, aby ste mohli určiť, ktoré BZ ponechať otvorené a ktoré obmedziť.

Nakoniec, údaje ukazujú veľmi malú koreláciu medzi mobilitou a rýchlosťou rastu v parkoch pre takmer všetky hodnoty FRT. Pre FRT > 5 – 10 percent bola korelácia zanedbateľná, čo naznačuje, že v prípade COVID-19 je nepravdepodobné, že udržiavanie otvorených parkov, ktoré ľuďom poskytujú vonkajší priestor na socializáciu, povedie k zvýšenému prenosu (a môže byť prospešné, ak prítomnosť ľahko dostupných vonkajších priestorov podnecuje ľudí, aby sa sťahovali z priepustnejších prostredí).

5.2. Vplyv delta variantu na prenos COVID-19

Jednou z výziev nášho prístupu je, že časť populácie s rezistenciou sa nevyskytuje ako náhodná vzorka v čase: rezistencia sa zvyšuje s postupom pandémie. To predstavuje možnosť, že korelácie, ktoré meriame, nie sú spôsobené rezistenciou, ale skôr rôznymi variantmi, ktoré sa vyvíjajú s postupom pandémie. Počas obdobia, ktoré v tejto štúdii zvažujeme, boli dominantnými variantmi počiatočný kmeň (kmene) a variant Delta, ktoré sa ukázali byť prenosnejšie a smrteľnejšie ako pôvodné kmene. Aby sme vysvetlili vznik Delty, vykonali sme rovnakú analýzu, ale odstránili sme všetky body, v ktorých Delta predstavovala viac ako 10 percent zistených prípadov. Na obrázkoch 7 a 8 plná čiara zodpovedá tejto analýze, tj pôvodným kmeňom bez 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. Závery

V tejto štúdii sme analyzovali vplyv opatrení na zmiernenie mobility obmedzujúcich mobilitu na odolnú populáciu, v ktorej sme zvažovali dva faktory: po prvé, účinok rezistencie na rôzne body záujmu (POI), vrátane tranzitných staníc, potravín a lekární, maloobchodu a rekreačné miesta, pracoviská a parky; po druhé, vplyv rezistencie pred a po objavení sa variantu Delta. Študovali sme skupinu 14 krajín s relatívne spoľahlivým počtom prípadov COVID-19 – v ktorých sme spojili údaje podľa časti populácie s rezistenciou a prítomnosťou variantu Delta – pomocou Pearsonovej korelácie medzi mobilitou a prípadmi. Zistili sme, že obmedzenia mobility na maloobchodných a rekreačných miestach, tranzitných staniciach a pracoviskách budú s najväčšou pravdepodobnosťou prospešné pri kontrole šírenia vírusu, najmä ak je časť populácie s rezistenciou nižšia ako 25–30 percent. V niektorých prípadoch môžu potraviny a lekárne profitovať z obmedzení mobility, ak je časť populácie s odporom nižšia ako 10 percent. Zatiaľ čo v parkoch majú opatrenia obmedzujúce mobilitu len malú výhodu.

Jedným z obmedzení tejto štúdie sú neistoty pri zhromažďovaní údajov počas COVID-19. Snažili sme sa však vyriešiť tento problém pomocou výpočtu pre výber krajiny opísaného v časti 2.4, kde sme pre štúdiu vybrali 14 najspoľahlivejších krajín. Na druhej strane, silnou stránkou tejto práce je jej globálna perspektíva a široký rozhľad. Okrem toho, ako dôsledky pre pravidlá, tieto poznatky možno neskôr použiť pre akékoľvek infekčné choroby podobné COVID-19, ako je uvedené v časti 5.1. Vedieť, ktoré body záujmu obmedziť viac pri zohľadnení prahu odolnosti, môže pomôcť zabrániť šíreniu choroby a zachrániť životy v skorších štádiách.

V budúcej práci sa zameriavame na štúdium vplyvu populačnej rezistencie na úmrtnosť a počet pacientov na JIS. Okrem toho môže byť zaujímavé porovnať účinok rôznych typov rezistencie (prirodzená rezistencia verzus vakcína verzus kombinácia oboch). Okrem toho, keď je k dispozícii viac údajov, analýzy na mikroúrovni sú uskutočniteľné, keď jedna zahŕňa rôzne okresy a miesta v rámci miest.

Príspevky autora:

Metodika, DA a AH; kódovanie a analýza, DA; zdroje, DA; správa údajov, DA; písanie – príprava pôvodného návrhu, DA a AH; písanie – recenzia a úprava, DA, AH a MN; vizualizácia, DA a AH; supervízia, AH a MN Všetci autori si prečítali a súhlasili s uverejnenou verziou rukopisu.

Financovanie:

Tento výskum financoval King Abdulaziz City for Science and Technology.

Vyhlásenie inštitucionálnej revíznej rady:

Nepoužiteľné.

Vyhlásenie informovaného súhlasu:

Nepoužiteľné.

Vyhlásenie o dostupnosti údajov:

Our World in Data [31] – Google poskytuje verejne dostupný súbor údajov o mobilite súvisiaci s pandémiou [32] – Our World in Data zdieľal súbor údajov o variantoch COVID-19 [33].

Konflikt záujmov:

Autori nedeklarujú žiadny konflikt záujmov.

Referencie

1. Li, Q.; Guan, X.; Wu, P.; Wang, X.; Zhou, L.; Tong, Y.; Ren, R.; Leung, KSM; Lau, EHY; Wong, JY; a kol. Včasná dynamika prenosu novej pneumónie infikovanej koronavírusom vo Wu-chane v Číne. N. Engl. J. Med. 2020, 382, ​​1199–1207. Dostupné online: https://www.researchgate.net/publication/338904336_Early_Transmission_Dynamics_in_Wuhan_ Čína_z_novej{13}} pneumónie infikovanej koronavírusom{15} (dostupné 15. augusta 2021).

2. Zhu, N.; Zhang, D.; Wang, W.; Li, X.; Yang, B.; Song, J.; Zhao, X.; Huang, B.; Shi, W.; Lu, R.; a kol. Nový koronavírus od pacientov s pneumóniou v Číne, 2019. N. Engl. J. Med. 2020, 382, ​​727–733. [CrossRef] [PubMed]

3. Wesolowski, A.; Buckee, CO; Engø-Monsen, K.; Metcalf, CJE Prepojenie mobility s infekčnými chorobami: Prísľub a limity dát z mobilných telefónov. 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.; a kol. Šírenie vírusu Zika v Amerike. Proc. Natl. Akad. 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.; Slávik, ES; a kol. Účinky nefarmaceutických zásahov na prípady COVID-19, úmrtia a dopyt po nemocničných službách v Spojenom kráľovstve: modelová štúdia. Lancet Verejné zdravie 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; a kol. Odhad účinkov nefarmaceutických zásahov na COVID-19 v Európe. Príroda 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.; a kol. Vplyv nefarmaceutických zásahov na zabránenie COVID-19 v Číne. Príroda 2020, 585, 410–413. [CrossRef]

8. Kwon, H.; Hom, K.; Rifkin, M.; Tian, ​​B.; Koylu, C. Skúmanie časopriestorovej heterogenity vo vzťahu medzi ľudskou mobilitou a prevalenciou COVID-19 pomocou dynamického deformovania času. arXiv 2021, arXiv: 2109.13765.

9. Xiong, C.; Hu, S.; Yang, M.; Luo, W.; Zhang, L. Údaje z mobilných zariadení odhaľujú dynamiku pozitívneho vzťahu medzi mobilitou ľudí a infekciami COVID-19. Proc. Natl. Akad. Sci. USA 2020, 117, 27087–27089. [CrossRef]

10. Casa Nova, A.; Ferreira, P.; Almeida, D.; Dionísio, A.; Quintino, D. Súvisí mobilita a COVID-19? Dynamická analýza pre portugalské okresy. Entropia 2021, 23, 786. [CrossRef]

11. Steiger, E.; Mussgnug, T.; Kroll, LE Kauzálna grafová analýza pozorovacích údajov COVID-19 v nemeckých okresoch odhaľuje účinky určujúcich faktorov na počet nahlásených prípadov. PLoS ONE 2021, 16, e0237277. [CrossRef]

12. Cartenì, A.; Di Francesco, L.; Martino, M. Ako návyky mobility ovplyvnili šírenie pandémie COVID-19: Výsledky z talianskej prípadovej štúdie. Sci. Totálne prostredie. 2020, 741, 140489. [CrossRef]

13. Noland, RB Mobility a efektívna miera reprodukcie COVID-19. J. Transp. Zdravie 2021, 20, 101016. [CrossRef] [PubMed]

14. Wielechowski, M.; Čech, K.; Grz ˛eda, Ł. Pokles mobility: Verejná doprava v Poľsku v čase pandémie COVID-19. Ekonomiky 2020, 8, 78. [CrossRef]

15. Oh, J.; Lee, HY; Khuong, QL; Markuns, JF; Bullen, C.; Barrios, OEA; Hwang, SS; Suh, YS; McCool, J.; Kachur, SP; a kol. Obmedzenia mobility súviseli so znížením výskytu COVID-19 na začiatku pandémie: Dôkazy z hodnotenia v reálnom čase v 34 krajinách. Sci. Rep. 2021, 11, 13717. [CrossRef] [PubMed]

16. Agarwal, A.; Alomar, A.; Sarker, A.; Shah, D.; Shen, D.; Yang, C. Dve pálčivé otázky o COVID-19: Pomohlo odstavenie ekonomiky? Dokážeme (čiastočne) znovu otvoriť ekonomiku bez toho, aby sme riskovali druhú vlnu? 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; a kol. Zníženie mobility a prenosu COVID{1}}. Nat. komun. 2021, 12, 1090. [CrossRef]

18. Cabana, Á.; Etcheverry, L.; Fariello, MI; Bermolen, P.; Fiori, M. Hodnotenie vplyvu zníženia mobility v druhej vlne COVID-19. In Proceedings of the 2021 XLVII Latin American Computing Conference (CLEI), Viedeň, Rakúsko, 21. – 23. apríla 2021; s. 1–10.

19. da Silva, TT; Francisquini, R.; Nascimento, MC Meteorologické údaje a údaje o ľudskej mobilite o predpovedaní prípadov COVID-19 pomocou novej hybridnej metódy rozkladu s analýzou detekcie anomálií: prípadová štúdia v hlavných mestách Brazílie. Expert Syst. Appl. 2021, 182, 115190. [CrossRef]

20. Bhowmik, T.; Tirtha, SD; Iraganaboina, NC; Eluru, N. Komplexná analýza miery prenosu ochorenia COVID{1}} a miery úmrtnosti na úrovni okresov v Spojených štátoch amerických s ohľadom na socio-demografické údaje, zdravotné ukazovatele, trendy mobility a atribúty zdravotníckej infraštruktúry. PLoS ONE 2021, 16, e0249133. [CrossRef]

21. Badr, HS; Du, H.; Marshall, M.; Dong, E.; panoš, MM; Gardner, LM Asociácia medzi vzormi mobility a prenosom COVID-19 v USA: Štúdia matematického modelovania. Lancet Infect. Dis. 2020, 20, 1247–1254. [CrossRef]

22. Chang, S.; Pierson, E.; Koh, PW; Gerardin, J.; Redbird, B.; Gruský, D.; Leskovec, J. Modely mobilnej siete COVID-19 vysvetľujú nerovnosti a informujú o opätovnom otvorení. Príroda 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 Zlepšenie predpovedí vývoja COVID{8}} spojením epidemiologických údajov a údajov o mobilite. Sci. Rep. 2021, 11, 15173. [CrossRef] [PubMed]

24. Wei, Y.; Wang, J.; Song, W.; Xiu, C.; Ma, L.; Pei, T. Šírenie COVID-19 v Číne: Analýza na základe modelu epidémie a mobility v meste. Mestá 2021, 110, 103010. [CrossRef] [PubMed]

25. Kuzdeuov, A.; Baimukashev, D.; Karabay, A.; Ibragimov, B.; Mirzakhmetov, A.; Nurpeiissov, M.; Lewis, M.; Varol, HA Sieťový simulátor stochastickej epidémie: Kontrola COVID-19 pomocou politík špecifických pre daný región. IEEE J. Biomed. Zdravotné informácie. 2020, 24, 2743–2754. [CrossRef] [PubMed]

For more information:1950477648nn@gmail.com