Učinkovitost omejitev mobilnosti pri nadzoru širjenja COVID-19 v odporni populaciji, 2. del

3. Metodologija

Našo metodologijo smo razdelili na tri korake: dnevne meritve, korelacije in razpone odpornosti prebivalstva ter ocene različice delta. Vsa koda je bila napisana iz nič z uporabo Pythona.

Razmerje med mutacijo Delta in imunostjo je zelo zapleteno, ker je mutacija Delta nova mutacija koronavirusa, ki se razlikuje od prejšnjih mutacij koronavirusa. Po trenutnih raziskavah ima različica Delta večjo kužnost in močnejšo patogenost, kar pomeni, da ima lahko določen vpliv na imunost. Študija je pokazala, da lahko mutacija Delta novega koronavirusa oslabi zaščitni učinek cepiva. Po nedavni študiji je zaščitni učinek cepljenja proti različici Delta nekoliko zmanjšan. To je lahko povezano s ključno mutacijo v različici Delta, zaradi česar se virus lažje izogne ​​imunskemu odzivu. Poleg tega so nekatere študije pokazale, da lahko različica Delta okuži ljudi, ki so že bili okuženi z virusom, in oslabi njihov imunski odziv.

Čeprav ima lahko mutacija Delta določen negativen vpliv na imunost, so cepiva še vedno ključno sredstvo za preprečevanje in obvladovanje širjenja novega koronavirusa. Čeprav bo cepivo morda treba posodobiti, da bi se bolje spopadlo s pojavom različice Delta in drugih različic, ostaja cepivo zelo učinkovito pri zaščiti ljudi pred resnimi boleznimi in hospitalizacijo. Poleg tega se je za zmanjšanje širjenja novega koronavirusa zelo pomembno osredotočiti na boljšo osebno higieno in ukrepe socialnega distanciranja. S tega vidika moramo biti pozorni na izboljšanje naše imunosti. Cistanche lahko poveča imunost, polisaharidi v mesu pa lahko uravnavajo imunski odziv človeškega imunskega sistema, izboljšajo stresno sposobnost imunskih celic in okrepijo imunske celice. baktericidni učinek.

Kliknite izvleček cistanche tubulosa v prahu

3.1. Dnevne meritve

V tem razdelku je naš glavni cilj izračunati naslednje dnevne spremenljivke: stopnjo mobilnosti (za vsako od petih POI), stopnjo rasti (GRt j ) primerov in delež populacije z odpornostjo (FR), kot je prikazano v Slika 3. Za stopnjo mobilnosti vzamemo vrednosti neposredno iz nabora podatkov Google Mobility. Druge spremenljivke so bile izračunane na naslednji način.

Za oceno stopnje rasti primerov uporabimo formulo (2) iz [21] z 11-dnevnim zamikom med meritvami mobilnosti in trenutnim časovnim odvodom števila primerov na podlagi optimalnih ugotovitev zamika v [35] :

Stopnja rasti primerov (GRt j ) za določeno državo j in dani dan t se izračuna kot logaritemska stopnja spremembe za nove primere v prejšnjih treh dneh glede na logaritemsko stopnjo novih primerov v prejšnjem tednu. Tukaj je c t j število novih primerov v državi j na dan t.

Za oceno deleža prebivalstva z odpornostjo za določeno državo na določen dan smo združili delež ljudi z naravno imunostjo (tj. tistih, ki so že preboleli COVID-19 in ozdraveli) z deležem cepljenih ljudi :

pri čemer je skupni delež ljudi z neko obliko odpornosti (FRT) odvisen od deleža primerov (FRc) do danes, ki je ocenjen s skaliranjem skupnega števila prijavljenih primerov (CTot) z množiteljem (m) za vsako državo, kot je prikazano v tabeli 2. Ti množitelji m, ki predstavljajo premajhno poročanje, so bili vzeti iz številnih študij v literaturi. Ta pristop predpostavlja, da naravna odpornost ni zbledela, kar je lahko sprejemljiva predpostavka v začetnih fazah pandemije. Če bi to analizo ponovili, priporočamo omejitev obdobja primerov, ki vodijo do naravne odpornosti, da bi upoštevali dejstvo, da (a) je pandemija verjetno presegla tipično trajanje odpornosti, kar dokazuje ogromno opaženih ponovnih okužb v preteklem letu in (b) zdi se, da so različice omikrona še posebej dobre pri izogibanju naši obrambi in da lahko do ponovne okužbe pride v razmeroma kratkem času. Delež z naravno odpornostjo (FRc) se doda deležu populacije, ki je bila cepljena (FRv), ki je ocenjena v enačbi (5). Da bi se izognili dvojnemu štetju ljudi, ki so oboleli za COVID-19 in bili tudi cepljeni, je FRv poenoten z (1−FRc).

3.2. Korelacije in razponi populacijske odpornosti

Po oceni dnevnih spremenljivk združimo časovne vrste držav v razpone na podlagi FRT. Posledica tega so različna obdobja za vsako državo, v katerih je odstotek prebivalstva z odpornostjo podoben. Da bi to dosegli, smo sledili postopku na sliki 4, kjer smo najprej upoštevali vsako od držav in časovno vrsto razdelili na obdobja na podlagi skupnega deleža odpornosti FRT: izbrali smo prvi zaboj FRT, ki bo med {{1} }–10 odstotkov, drugi med 10–20 odstotkov in tako naprej do 60–70 odstotkov. Nato smo za vsako obdobje izračunali korelacijo med Googlovo oceno mobilnosti s časovnim zamikom in stopnjo rasti primerov (GRt j ) za vsako od POI. Uporabili smo Pearsonovo korelacijo, kjer 1 pomeni močno pozitivno korelacijo, 0 ni korelacije, −1 pa močno negativno korelacijo.

3.3. Ocene različice delta

Da bi ugotovili, kako pojav različice Delta vpliva na te korelacije, smo izračunali delež Delta za vsako obdobje FRT in identificirali obdobja z visokimi deleži Delta in nizkimi deleži 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∆):

kjer je (F∆) enako zaporednim vzorcem različice Delta (n∆), deljeno z vsemi zaporednimi vzorci v tem obdobju (ne).

Nazadnje smo združili korelacijske koeficiente za vse države in vsako od obdobij POI in FRT; obravnavamo dve poti prenosa, eno, ki vključuje samo podatke, za katere je delta < 10 odstotkov (pred delto), in drugo, ki vključuje vse podatke (post-delta).

4. Rezultati

4.1. Korelacija med mobilnostjo in primeri COVID-19

Histogram izmerjenih korelacij med stopnjo rasti primerov in mobilnostjo v vseh 14 državah in za vse POI je prikazan na sliki 6. Korelacija sega od −0,67 do 0,66, z večino podatkov v območju [−0.29, 0.28]. Pri tej razdrobljenosti podatki kažejo, da ni prave povezave med mobilnostjo in stopnjo rasti, tj. v povprečju spreminjanje vzorcev mobilnosti ne vpliva na število primerov. Vendar pa ta grobo zrnat pristop prikrije učinek odpornosti prebivalstva, ki bo razkrit v naslednjih razdelkih.

4.2. Vpliv odpornosti prebivalstva na prenos COVID-19

Z napredovanjem pandemije se delež prebivalstva, ki je odporen na virus, povečuje bodisi zaradi cepljenja bodisi zaradi okužbe s COVID-19 in okrevanja. Da bi dobili občutek o vplivu odpornosti na korelacijo med stopnjo rasti in mobilnostjo, razmislite o naslednjih dveh skrajnih primerih. V naivni populaciji, v kateri nihče nima odpornosti na virus, vsak stik predstavlja potencialno novo okužbo; v tem scenariju bo preživljanje časa na POI, ki povečujejo število stikov v populaciji (npr. tranzitne postaje), verjetno povzročilo več primerov. Zato v naivni populaciji pričakujemo, da bo mobilnost v POI z visokim stikom močno povezana s stopnjo rasti primerov. V drugi skrajnosti, če je večina prebivalstva odporna na virus, je malo verjetno, da bo večina stikov v danem POI povzročila prenos. To nakazuje, da bo v močno odporni populaciji mobilnost v POI z visokim stikom le šibko povezana s stopnjo rasti, če sploh.

Da bi to preizkusili, smo podatke združili glede na delež populacije z odpornostjo, FRT (ki je ocenjen na podlagi stopnje cepljenja in prejšnjih okužb, kot je opisano zgoraj). Rezultati te vaje za zanimive točke za rekreacijo in maloprodajo so prikazani na sliki 7. Vsaka točka predstavlja povprečni korelacijski koeficient (povprečen v vseh državah v ustreznih obdobjih) med stopnjo rasti primerov COVID-19 in mobilnostjo. Vrstice zajemajo 75 odstotkov podatkov; odstopanja so bila odstranjena, da bi razbremenili vizualizacijo in poudarili trende. Standardna napaka v povprečju je 0.056, kot prikazuje sivo območje na grafu. Kot je bilo pričakovano, ko je le majhen del populacije odporen (približno 0–25 odstotkov, kot je prikazano z oranžnimi točkami v tem primeru), obstaja jasna povezava med mobilnostjo in stopnjo rasti primerov, kar nakazuje, da je omejevanje dostopa do rekreacijskih in maloprodajnih obratov na začetku pandemije lahko koristno zmanjšajo število prenosov. Vendar ko odpornost v populaciji narašča, korelacija med mobilnostjo in stopnjo rasti primerov postaja vedno šibkejša.

Podobni grafikoni, ki prikazujejo učinek odpornosti prebivalstva na štiri druge POI – tranzitne postaje, delovna mesta, trgovine z živili in lekarne ter parke – so prikazani na sliki 8. Vse POI kažejo podobne trende z jasnimi korelacijami med mobilnostjo in stopnjo rasti primerov, ko je delež populacije z odpornostjo je nizka; ko se upor povečuje, se korelacije stalno zmanjšujejo in postanejo zanemarljive pri različnih kritičnih vrednostih 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) med mobilnostjo in stopnjo rasti. Potem, ko se FRT poveča nad 25 odstotkov, se korelacija stalno zmanjšuje; tudi delovna mesta kažejo podoben trend. Pri trgovinah z živili, lekarnah in parkih korelacija ni tako močna kot pri tranzitnih postajah, maloprodajnih mestih, prostorih za rekreacijo ali delovnih mestih. Kot je prikazano na sliki 8, obstaja jasna korelacija, ko je FRT < 10 odstotkov. Po tem korelacija pomeni lebdenje blizu ničle, kar nakazuje, da je lahko omejevanje mobilnosti v nekaterih primerih koristno, v drugih pa ne; ali je temu tako ali ne, je verjetno odvisno od drugih omilitvenih dejavnikov, ki so na voljo.

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 označeno kot pozitivno korelirano (oranžno), zato je lahko omejevanje mobilnosti v tem obdobju koristno. Po drugi strani pa korelacija pomeni, da so<−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. Razprava

5.1. Posledice za politike omejevanja mobilnosti

Vsi naši podatki kažejo jasen in dosleden trend: pri naivni populaciji je mobilnost povezana s stopnjo rasti primerov; ko populacija pridobi odpornost, ta korelacija pade na nič, ko FRT doseže kritično vrednost. Ko je ta kritična vrednost FRT dosežena in korelacije med mobilnostjo in stopnjo rasti ni več (kot velja za modre točke na slikah 7 in 8), lahko zmanjšanje mobilnosti z zapiranjem POI le malo vpliva na hitrost prenosa. Ugotovljeno je bilo, da lahko zaprtje POI povzroči resne gospodarske in socialne stroške. Zato je koristno razmisliti, ali se kompromis splača. Vsi podatki, prikazani na slikah 7 in 8, kažejo, da so lahko omejitve mobilnosti učinkovite zgodaj v pandemiji, vendar postopoma izgubljajo svojo moč, ko prebivalstvo pridobiva odpornost s cepljenjem ali prebolevanjem, posledično pa povezava med mobilnostjo in prenosom slabi. Tukaj smo izpostavili vrednosti FRT (v oranžni barvi), za katere lahko politike, ki omejujejo mobilnost, pozitivno vplivajo na upočasnitev širjenja COVID-19. Podobno modra točka označuje vrednosti FRT, za katere je malo verjetno, da bodo omejitve mobilnosti pomembno vplivale na prenos.

Te modre in oranžne skupine so povzete v tabeli 3. Podatki kažejo, da so maloprodajna in rekreacijska mesta, tranzitne postaje in delovna mesta točke interesa, ki bodo imeli največ koristi od ukrepov za omejevanje mobilnosti in bodo verjetno imeli koristi tudi po začetnih fazah. pandemije (tj. dokler FR ne zraste nad 25–30 odstotkov, kot je prikazano v tabeli 4). Špekuliramo, da se lahko to zgodi, ker imajo te POI skupne osnovne značilnosti, ki olajšajo prenos (npr. zaprti prostori, gneča in razmeroma dolgo bivanje).

Druga skupina zanimivih točk, ki bi jim omejitve mobilnosti lahko koristile zgodaj v pandemiji (vendar so povrnitve lahko manj izrazite po začetnih fazah), so trgovine z živili in lekarne. To ponovno kaže jasen trend, da sta pri naivni populaciji (do 10 odstotkov odporne) mobilnost in stopnja rasti primerov povezani; zato je lahko omejevanje dostopa ali nadzorovanje gostote koristno. Špekuliramo, da so živila in lekarne morda boljše od maloprodaje, rekreacije in delovnih mest, ker nekatera podmnožica »izberi in pojdi« obiskovalcev skrajša čas bivanja.

Vendar je pomembno opozoriti, da so te kritične vrednosti – za vsa zgoraj obravnavana prizorišča – povprečje in je kritična vrednost FRT določenega prizorišča verjetno odvisna od velikosti POI, lokalnih strategij ublažitve itd. Čeprav ta študija zagotavlja neka splošna "pravila palca", kot pri vsaki politiki, je pomembno, da se poglobite v razumevanje lokalnih motečih dejavnikov, da ugotovite, katere POI naj bodo odprte in katere omejiti.

Končno, podatki kažejo zelo malo korelacije med mobilnostjo in stopnjo rasti v parkih za skoraj vse vrednosti FRT. Za FRT > 5–10 odstotkov je bila korelacija zanemarljiva, kar nakazuje, da za COVID-19 odprti parki, ki ljudem zagotavljajo zunanji prostor za druženje, verjetno ne bo povzročilo povečanega prenosa (in se lahko izkaže za koristno, če prisotnost takoj dostopnih zunanjih prostorov spodbuja ljudi, da se izselijo iz bolj transmisivnih okolij).

5.2. Vpliv različice Delta na prenos COVID-19

Eden od izzivov našega pristopa je, da se delež populacije z odpornostjo ne pojavi kot randomiziran vzorec v času: odpornost se povečuje z napredovanjem pandemije. To uvaja možnost, da korelacije, ki jih merimo, niso posledica odpornosti, temveč zaradi različnih različic, ki se razvijajo z napredovanjem pandemije. V obdobju, ki ga obravnavamo v tej študiji, sta bili prevladujoči različici začetni sev(-i) in različica Delta, ki sta se izkazali za bolj prenosljivo in bolj smrtonosno kot prvotni sevi. Da bi pojasnili nastanek Delte, smo izvedli isto analizo, vendar smo odstranili vse točke, v katerih je Delta predstavljala več kot 10 odstotkov odkritih primerov. Na slikah 7 in 8 polna črta ustreza tej analizi, tj. izvirnim sevom brez delte (<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. Sklepi

V tej študiji smo analizirali vpliv omilitvenih ukrepov, ki omejujejo mobilnost, na odporno populacijo, pri čemer smo upoštevali dva dejavnika: prvič, učinek odpornosti na različne zanimive točke (POI), vključno s tranzitnimi postajami, trgovinami z živili in lekarnami, maloprodajo in rekreacijska mesta, delovna mesta in parki; drugič, učinek odpornosti pred in po pojavu različice Delta. Študirali smo skupino 14 držav z razmeroma zanesljivim številom primerov COVID-19 – pri čemer smo združili podatke glede na delež prebivalstva z odpornostjo in prisotnostjo različice Delta – z uporabo Pearsonove korelacije med mobilnostjo in primeri. Ugotovili smo, da bodo omejitve mobilnosti na maloprodajnih in rekreacijskih mestih, tranzitnih postajah in delovnih mestih najverjetneje koristne pri nadzoru širjenja virusa, zlasti če je delež prebivalstva z odpornostjo pod 25–30 odstotki. V nekaterih primerih imajo lahko trgovine z živili in lekarne koristi od omejitev mobilnosti, če je delež prebivalstva z odpornostjo pod 10 odstotkov. Medtem ko je v parkih malo prednosti z ukrepi za omejevanje mobilnosti.

Ena od omejitev te študije so negotovosti pri zbiranju podatkov med boleznijo COVID-19. Vendar smo se potrudili rešiti to težavo z uporabo izračuna za izbiro držav, opisanega v razdelku 2.4, kjer smo za študijo izbrali 14 najbolj zanesljivih držav. Po drugi strani sta prednosti tega dela njegova globalna perspektiva in širok vpogled. Poleg tega je mogoče te vpoglede kot posledice politike pozneje uporabiti za kakršne koli nalezljive bolezni, podobne COVID-19, kot je opisano v razdelku 5.1. Če veste, katere POI je treba bolj omejiti ob upoštevanju praga odpornosti, lahko pomagate preprečiti širjenje bolezni in rešiti življenja v zgodnejših fazah.

V prihodnjem delu želimo preučiti učinek odpornosti prebivalstva tako na stopnjo umrljivosti kot na število pacientov na intenzivni negi. Poleg tega je morda zanimivo primerjati učinek različnih vrst odpornosti (naravna odpornost proti cepivu proti kombinaciji obeh). Poleg tega, ko je na voljo več podatkov, postanejo analize na mikro ravni izvedljive, če vključimo različna okrožja in kraje v mestih.

Avtorski prispevki:

Metodologija, DA in AH; kodiranje in analiza, DA; sredstva, DA; obdelava podatkov, DA; pisanje—priprava izvirnega osnutka, DA in AH; pisanje—pregledovanje in urejanje, DA, AH in MN; vizualizacija, DA in AH; nadzor, AH in MN Vsi avtorji so prebrali in se strinjajo z objavljeno različico rokopisa.

Financiranje:

To raziskavo je financiral King Abdulaziz City for Science and Technology.

Izjava institucionalnega revizijskega odbora:

Se ne uporablja.

Izjava o informirani privolitvi:

Se ne uporablja.

Izjava o razpoložljivosti podatkov:

Naš svet v podatkih [31]—Google zagotavlja javno dostopen nabor podatkov o mobilnosti v zvezi s pandemijo [32]—Naš svet v podatkih je delil nabor podatkov različic COVID-19 [33].

Nasprotja interesov:

Avtorji izjavljajo, da ni navzkrižja interesov.

Reference

1. Li, Q.; Guan, X.; Wu, P.; Wang, X.; Zhou, L.; Tong, Y.; Ren, R.; Leung, KSM; Lau, EHY; Wong, JY; et al. Zgodnja dinamika prenosa pljučnice, okužene z novim koronavirusom, v Wuhanu na Kitajskem. N. angl. J. Med. 2020, 382, ​​1199–1207. Na voljo na spletu: https://www.researchgate.net/publication/338904336_Early{6}}Transmission_Dynamics_in_Wuhan_ Kitajska_od_nove_ s koronavirusom okužene_pljučnice (dostopano 15. avgusta 2021).

2. Žu, N.; Zhang, D.; Wang, W.; Li, X.; Yang, B.; Pesem, J.; Zhao, X.; Huang, B.; Ši, W.; Lu, R.; et al. Novi koronavirus pri bolnikih s pljučnico na Kitajskem, 2019. N. Engl. J. Med. 2020, 382, ​​727–733. [CrossRef] [PubMed]

3. Wesolowski, A.; Buckee, CO; Engø-Monsen, K.; Metcalf, CJE Povezovanje mobilnosti z nalezljivimi boleznimi: Obljube in omejitve prenosa mobilnih telefonskih podatkov. J. Infect. Dis. 2016, 214, S414–S420. [CrossRef] [PubMed]

4. Zhang, Q.; Sonce, K.; Chinazzi, M.; Pastore y Piontti, A.; Dean, NE; Rojas, DP; Merler, S.; Mistry, D.; Poletti, P.; Rossi, L.; et al. Širjenje virusa Zika v Ameriki. Proc. Natl. Akad. Sci. ZDA 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. Učinki nefarmacevtskih posegov na primere COVID-19, smrti in povpraševanje po bolnišničnih storitvah v Združenem kraljestvu: študija modeliranja. Lancet Public Health 2020, 5, e375–e385. [CrossRef]

6. Flaxman, S.; Mišra, S.; Gandy, A.; Unwin, HJT; Mellan, TA; Coupland, H.; Whittaker, C.; Zhu, H.; Berah, T.; Eaton, JW; et al. Ocenjevanje učinkov nefarmacevtskih posegov na COVID-19 v Evropi. Narava 2020, 584, 257–261. [CrossRef] [PubMed]

7. Lai, S.; Ruktanonchai, SZ; Zhou, L.; Prosper, O.; Luo, W.; Floyd, JR; Wesolowski, A.; Santillana, M.; Zhang, C.; Du, X.; et al. Učinek nefarmacevtskih posegov za zajezitev COVID-19 na Kitajskem. Narava 2020, 585, 410–413. [CrossRef]

8. Kwon, H.; Hom, K.; Rifkin, M.; Tian, ​​B.; Koylu, C. Raziskovanje prostorsko-časovne heterogenosti v razmerju med človeško mobilnostjo in razširjenostjo COVID-19 z uporabo dinamičnega ukrivljanja časa. arXiv 2021, arXiv:2109.13765.

9. Xiong, C.; Hu, S.; Yang, M.; Luo, W.; Zhang, L. Podatki o mobilnih napravah razkrivajo dinamiko v pozitivnem razmerju med mobilnostjo ljudi in okužbami s COVID-19. Proc. Natl. Akad. Sci. ZDA 2020, 117, 27087–27089. [CrossRef]

10. Casa Nova, A.; Ferreira, P.; Almeida, D.; Dionísio, A.; Quintino, D. Ali sta mobilnost in COVID-19 povezana? Dinamična analiza za portugalska okrožja. Entropija 2021, 23, 786. [CrossRef]

11. Steiger, E.; Mussgnug, T.; Kroll, LE Analiza vzročnega grafa opazovalnih podatkov COVID-19 v nemških okrožjih razkriva učinke odločilnih dejavnikov na število prijavljenih primerov. PLoS ONE 2021, 16, e0237277. [CrossRef]

12. Cartenì, A.; Di Francesco, L.; Martino, M. Kako so navade mobilnosti vplivale na širjenje pandemije COVID-19: Rezultati italijanske študije primera. Sci. Totalno okolje. 2020, 741, 140489. [CrossRef]

13. Noland, RB Mobilnost in efektivna stopnja razmnoževanja COVID-19. J. Transp. Zdravje 2021, 20, 101016. [CrossRef] [PubMed]

14. Wielechowski, M.; Čeh, K.; Grz ˛eda, Ł. Upad mobilnosti: javni prevoz na Poljskem v času pandemije COVID-19. Gospodarstva 2020, 8, 78. [CrossRef]

15. Oh, J.; Lee, HY; Khuong, QL; Markuns, JF; Bullen, C.; Barrios, OEA; Hwang, SS; Suh, YS; McCool, J.; Kačur, SP; et al. Omejitve mobilnosti so bile povezane z zmanjšanjem incidence COVID-19 na začetku pandemije: dokazi iz ocene v realnem času v 34 državah. Sci. Rep. 2021, 11, 13717. [CrossRef] [PubMed]

16. Agarwal, A.; Alomar, A.; Sarker, A.; Šah, D.; Shen, D.; Yang, C. Dve pereči vprašanji o COVID-u-19: Ali je zaustavitev gospodarstva pomagala? Ali lahko (delno) znova odpremo gospodarstvo, ne da bi tvegali drugi val? 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. Zmanjšanje mobilnosti in prenos COVID-19. Nat. Komun. 2021, 12, 1090. [CrossRef]

18. Cabana, Á.; Etcheverry, L.; Fariello, MI; Bermolen, P.; Fiori, M. Ocenjevanje vpliva zmanjšanja mobilnosti v drugem valu COVID-19. V zborniku 2021 XLVII latinskoameriške računalniške konference (CLEI), Dunaj, Avstrija, 21.–23. april 2021; str. 1–10.

19. da Silva, TT; Francisquini, R.; Nascimento, MC Meteorološki podatki in podatki o človeški mobilnosti o napovedovanju primerov COVID-19 z novo metodo hibridne razgradnje z analizo odkrivanja nepravilnosti: študija primera v prestolnicah Brazilije. Strokovni sistem Appl. 2021, 182, 115190. [CrossRef]

20. Bhowmik, T.; Tirtha, SD; Iraganaboina, NC; Eluru, N. Celovita analiza prenosa COVID-19 in stopenj umrljivosti na ravni okrožja v Združenih državah ob upoštevanju socialno-demografskih podatkov, zdravstvenih kazalnikov, trendov mobilnosti in atributov zdravstvene infrastrukture. PLoS ONE 2021, 16, e0249133. [CrossRef]

21. Badr, HS; Du, H.; Marshall, M.; Dong, E.; Squire, MM; Gardner, LM Povezava med vzorci mobilnosti in prenosom COVID-19 v ZDA: Študija matematičnih modelov. Lancet Infect. Dis. 2020, 20, 1247–1254. [CrossRef]

22. Chang, S.; Pierson, E.; Koh, PW; Gerardin, J.; Redbird, B.; Grusky, D.; Leskovec, J. Modeli omrežij mobilnosti COVID-19 pojasnjujejo neenakosti in informirajo o ponovnem odprtju. Narava 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 Izboljšanje napovedovanja razvoja COVID-19 z združevanjem epidemioloških podatkov in podatkov o mobilnosti. Sci. Rep. 2021, 11, 15173. [CrossRef] [PubMed]

24. Wei, Y.; Wang, J.; Pesem, W.; Xiu, C.; Ma, L.; Pei, T. Širjenje COVID{1}} na Kitajskem: Analiza iz modela epidemije in mobilnosti v mestu. Mesta 2021, 110, 103010. [CrossRef] [PubMed]

25. Kuzdeuov, A.; Baimukašev, D.; Karabaj, A.; Ibragimov, B.; Mirzahmetov, A.; Nurpeiissov, M.; Lewis, M.; Varol, HA Omrežni stohastični simulator epidemije: nadzor covida-19 s politikami, specifičnimi za regijo. IEEE J. Biomed. Zdravstvene informacije. 2020, 24, 2743–2754. [CrossRef] [PubMed]

For more information:1950477648nn@gmail.com