Ефективността на ограниченията на мобилността за контролиране на разпространението на COVID-19 в резистентно население, част 1

Резюме:

Човешката мобилност играе важна роля за разпространението на COVID-19. Като се има предвид това знание, държавите прилагат политики за ограничаване на мобилността. Едновременно с това, с напредването на пандемията, резистентността на населението към вируса се увеличи чрез естествен имунитет и ваксинация. Ние разглеждаме въпроса: „Какво е въздействието на мерките за ограничаване на мобилността върху резистентното население?“ Ние вземаме предвид два фактора: различни видове точки на интерес (POI) – включително транзитни станции, хранителни магазини и аптеки, търговия на дребно и места за отдих, работни места и паркове – и появата на варианта Delta.

Изследвахме група от 14 държави и изчислихме предаването на COVID-19 въз основа на типа POI, частта от резистентност на населението и наличието на Делта варианта, използвайки корелация на Pearson между мобилността и темпа на растеж на случаите. Откриваме, че местата за търговия на дребно и местата за отдих, транзитните станции и работните места са POI, които се възползват най-много от ограниченията на мобилността, главно ако частта от населението с резистентност е под 25–30 процента. Хранителните магазини и аптеките могат да се възползват от ограниченията на мобилността, когато съпротивата на населението е ниска, докато в парковете има малко предимство от мерките за ограничаване на мобилността. Тези резултати са последователни както за оригиналния щам, така и за Делта варианта; Данните за Omicron не бяха включени в тази работа.

Делта вариантът е мутирал щам на новия коронавирус, който е по-заразен и патогенен от другите варианти. Що се отнася до имунитета, Делта вариантът може да има известно въздействие върху имунитета на някои хора.

За хората, които вече са били ваксинирани, ваксината повишава устойчивостта им към Делта варианта. При някои хора обаче защитният ефект на ваксината може да бъде отслабен, като например тези, които развиват ниски нива на антитела след ваксинация, или тези, които все още са изложени на високорискови места след ваксинация.

В допълнение, Делта вариантът може да представлява по-голяма заплаха за хора с отслабен имунитет, като възрастни хора, пациенти с отслабен имунитет и пациенти с хронични заболявания. Следователно поддържането на добър имунен статус, особено след ваксинация, продължаването на мерките за превенция на епидемията, като носене на маски, често миене на ръцете и минимизиране на събиранията на тълпи и т.н., е от голямо значение за предотвратяване на разпространението на Делта вариантите. Затова трябва да разберем значението на имунитета. Cistanche може значително да подобри имунитета, тъй като пепелта от месо съдържа различни биологично активни компоненти, като полизахариди, две гъби и Huang Li, които могат да стимулират имунната система. Различни видове клетки, повишават имунната си активност.

Click cistanche tubulosa ползи

Ключови думи:

COVID-19; Делта-вариант; част от съпротивлението; човешка мобилност; пандемия; Корелационен метод на Пиърсън.

1. Въведение

През декември 2019 г. нов коронавирус (COVID-19) беше открит в Ухан, Китай. Впоследствие той бързо се разпространи по целия свят, което доведе до 6,4 милиона смъртни случая по света към август 2022 г. и предизвика глобална пандемия [1,2]. Вече е установено, че COVID-19 се предава предимно чрез лично взаимодействие между хората. Следователно човешкото поведение и човешката мобилност играят важна роля при определяне на това как се разпространява вирусът [3,4]. При липса на ваксинация, нефармацевтични интервенции (NPI) са приложени от много страни за контрол на разпространението на болестта. Един широко възприет NPI е намаляването на човешката мобилност [5–7], приложено чрез затваряне на обществени пространства.

Проведени са много отлични проучвания за ефекта на човешката мобилност върху развитието на пандемията от COVID-19. Предишната работа може да бъде класифицирана най-общо в две категории: основополагащи и политически проучвания. В много основополагащи проучвания изследователите се стремят да намерят взаимовръзки между мобилността и развитието на пандемията на ниво държава, окръг и точка на интерес (POI). Едно такова проучване [8] изследва пространствено-времевата връзка между мобилността и инфекциите в американските окръзи. Изследователите са използвали данни от мобилно устройство, за да уловят потока на мобилност във и към всеки окръг и са сравнили тенденциите в мобилността с броя на случаите на COVID-19, използвайки метод на динамично изкривяване на времето.

Те откриха, че връзката между мобилността и нивата на инфекция варира както географски, така и във времето. Подобно проучване [9] използва данни от мобилни устройства, за да открие връзката между мобилността и броя на случаите в американските окръзи. Техният анализ показва положителна връзка между мобилността и броя на случаите и предполага, че тази връзка е по-силна в частично отворени региони. В [10] авторите оценяват връзката между мобилността и броя на новите случаи в различни португалски области. Те откриха, че мобилността в магазините за търговия на дребно и развлеченията, хранителните магазини и аптеките и POI на транспортните станции показва по-висока корелация с броя на случаите, отколкото в паркове и работни места.

Отвъд корелацията, някои проучвания разшириха анализа си, за да оценят причинно-следствените фактори зад повишените нива на предаване. Например, реф. [11,12] анализират ефекта на температурата върху предаването на COVID-19. Изследователи в [11] използваха насочена ациклична графика (DAG), графично представяне на причинно-следствените ефекти, които могат да доведат до новосъобщени случаи на COVID-19 те откриха повишаване на температурата и висока мобилност (в аптеки и хранителни стоки) , което води до броя на малки букви. От друга страна, високата мобилност (в POI за търговия на дребно и за отдих) и дъждовните дни водят до по-висок брой случаи.

Докато в [12] техните прогнозни резултати показват, че навиците за мобилност, заедно с ежедневните тестове и променливите на околната среда, като температура, играят роля при обяснението на процента на случаите на COVID-19. В допълнение, някои проучвания се фокусираха върху количественото определяне на забавянето във времето между мобилността и случаите на COVID-19, както в [13]. В това проучване изследователите комбинираха индекса на мобилност на 80 града в Китай заедно с броя на новите случаи и използваха авторегресивен модел, за да оценят изоставането. В резултат на това те установиха, че мобилността е силно свързана със случаите със закъснение от 10 дни.

Вторият тип проучвания се фокусираха върху изготвянето на политики, например тестване на различни интервенции за мобилност, за да се намерят оптимални намаления на мобилността, които балансират цената на разпространението на вируса с икономическата цена, свързана с блокиране, както и прилагане на модели за прогнозиране за съветване на политиците. Няколко проучвания [13–16] се стремят да разберат как намаляването на мобилността влияе върху разпространението на случаите на COVID-19 в различни POI. В [13] изследователите са използвали данни за мобилност на Google и са измерили корелация с ефективната скорост на възпроизводство Rt. Това проучване разкрива, че оставането вкъщи е ефективно за намаляване на Rt, времето, прекарано в парковете, има малък ефект, докато намаляването на мобилността в други POI има по-големи положителни ефекти. В [15,16] изследователите показаха, че намаляването на мобилността с до 40 процента в транзитните станции и местата за търговия на дребно и развлечения намалява броя на случаите и изглежда ефективно „изравнява кривата“.

Освен това, реф. [17,18] изследват ефекта от намаляването на мобилността върху броя на случаите и смъртните случаи. В [17] изследователите откриха последователен модел на рязко намаляване на смъртните случаи след намаляване на мобилността. Други групи прилагат модели за прогнозиране [19–25], за да оценят ефектите от намаляването на мобилността и да предскажат броя на случаите и смъртните случаи. Тези модели бяха реализирани с различни нива на сложност; например [19,20] добави допълнителни променливи, включително (в [19]) метеорологични променливи, като температура, влажност и валежи, заедно с корелацията между мобилността и броя на случаите на COVID-19. В [20] изследователите включват няколко фактора като доход, здравни показатели, свързани с астма, процент на хората, които остават вкъщи, и инфраструктура за тестване.

Нито едно от описаните по-горе проучвания не отчита частта от популацията с резистентност. Въпреки това, с напредването на пандемията резистентността на населението се увеличи чрез естествения имунитет и ваксинацията. Бяха проведени много проучвания за измерване на ефикасността на ваксините или по отношение на въздействието върху предаването или броя на смъртните случаи, но ефектите от мобилността в тези проучвания обикновено се пренебрегват (напр. проучванията разглеждат популации от ваксинирани и неваксинирани хора с подобна мобилност модели) или се третират като объркваща променлива. Едно такова проучване [26] използва подход за задълбочено обучение за симулиране на нивата на ваксиниране и времето за постигане на колективен имунитет въз основа на данните от осем страни в Азия (много последващи проучвания показват, че колективният имунитет вече не е в нашето разбиране), докато [27 ,28] оценяват въздействието на ваксинацията при контролиране на пандемията (напр. намаляване на броя на случаите и смъртните случаи) чрез модел, базиран на агенти. Освен това реф. [29] оценяват връзката между ваксинацията и смъртността в САЩ, използвайки подход, базиран на регресия, и в резултат откриват, че ваксинацията е помогнала за намаляване на смъртността в различни щати в САЩ.

Като се вземе предвид въздействието на ваксинацията и мобилността върху предаването, реф. [30] изследва поведението на ваксинация и мобилност при контролиране на пандемията, използвайки моделиране на структурни уравнения; те откриха, че ваксинацията забавя разпространението на COVID-19 в региони, където ваксинацията е отрицателно свързана с мобилността и обратно за регионите, които имат положителна корелация между ваксинацията и мобилността.

Въпреки че предишната работа е изследвала връзката между мобилността и еволюцията на пандемията, включително ефекта от ваксинацията, както в [30], те не са взели предвид ефекта на резистентността на населението (както естествения имунитет, така и ваксинацията) върху тази корелация. Следователно фокусът на нашето проучване е да анализираме връзката между мобилността и предаването на COVID-19 през различни точки на интерес (POI), като същевременно вземем предвид резистентността на населението (ваксинация – естествен имунитет ( процент от населението, което се е възстановило от COVID -19)) и появата на Делта варианта.

За да постигнем целта си, ще използваме набора от данни за броя на случаите на COVID-19 в нашия свят в данните заедно с набора от данни за мобилност на Google. Ние комбинираме тези набори от данни, за да тестваме връзката между мобилността и скоростта на разпространение на вируса, като същевременно отчитаме четири допълнителни фактора: точки на интерес (POI) – включително места за търговия на дребно и места за отдих, транзитни спирки, паркове, хранителни магазини и аптеки и работни места; появата на Делта варианта; частта от населението, което е ваксинирано; и частта от населението с естествена резистентност (т.е. тези, които са се възстановили от инфекция с COVID-19). Обърнете внимание, че ако няма връзка между мобилността и броя на случаите на COVID-19, тогава ограничаващите мобилността мерки за смекчаване ще имат малко въздействие върху контролирането на разпространението на вируса.

Останалата част от този документ е организирана по следния начин. Раздел 2 представя общ преглед на набора от данни и предварителната обработка на данни. Раздел 3 показва нашата методология. Раздели 4 и 5 показват резултатите от нашия анализ, заедно с дискусия. И накрая, заключенията са направени в раздел 6.

2. Набори от данни

Първата стъпка в анализа беше събирането и предварителната обработка на данните; този раздел предоставя общ преглед на наборите от данни, които използвахме за проучването и нашия процес на избор на държава. Нашите данни бяха извлечени от трите набора от данни, показани в таблица 1, с избрана времева рамка от февруари 2020 г. до юли 2021 г.

2.1. Набор от данни за COVID-19

Нашият свят в данните [31] се поддържа от организация с нестопанска цел, която включва хиляди изследователи от цял ​​свят. Един от най-богатите набори от данни, събрани от тях по време на пандемията, е наборът от данни за COVID-19. Този набор от данни улавя епидемични измервания ежедневно (напр. нови случаи, нови смъртни случаи, ваксинации и т.н.) заедно с демографски данни (напр. средна възраст) и показатели, свързани с държавата (напр. индекс на човешкото развитие). Той обхваща 231 държави и включва 60 променливи. Събирането на данни започна през януари 2020 г. и до момента наборът от данни се актуализира всеки ден.

2.2. Набор от данни за мобилност на Google

Google предоставя публично достъпен набор от данни за мобилността, свързан с пандемията [32], в който измерва дневния брой посетители на конкретни POI като степен на мобилност (MR). POI включват транзитни спирки, хранителни магазини и аптеки, търговски обекти и места за отдих, работни места и паркове. Тяхното измерване се основава на изчисляване на относителната промяна в посетителите от изходно ниво преди пандемията и обхваща 123 държави. Събирането на данни започна през февруари 2020 г. и се актуализира ежедневно до момента.

2.3. Варианти на COVID-19

В допълнение към набора от данни за COVID-19, описан по-горе, Our World in Data сподели набор от данни за варианти на COVID-19 [33], който е получен от GISAID [34]. Наборът от данни периодично улавя броя на секвенираните проби, които попадат под конкретно име на вариант. Обхваща 110 държави. Събирането на данни започна през май 2020 г. и до момента се актуализира на всеки две седмици.

2.4. Избор на държава

По време на пандемията имаше много несъответствия и несигурности около тестването и точното отчитане на броя на случаите на COVID-19 в различни страни. Като се има предвид тази несигурност, ние се опитахме да ограничим нашето проучване до страни със сравнително надеждни отчетени данни. Нашият процес на подбор следваше стъпките, показани на Фигура 1. Първо, намерихме пресечените държави от трите набора от данни. След това, за да добием груба представа кои страни откриват голяма част от случаите, открихме за всяка страна най-голямото съотношение на откритите случаи (Cnew) спрямо общото население (p):

Ако всяка страна е била засегната от вълна от случаи в даден момент по време на пандемията, колкото по-високо е това съотношение, толкова по-вероятно е страната надеждно да открива и докладва случаи; т.е. ако дадена страна докладва, че това съотношение е близо до нула, като се има предвид силно трансмисивният характер на вируса, по-вероятно е тя да преброява недостатъчно, отколкото да няма случаи на COVID-19. Има, разбира се, изключения от това; например в началото на пандемията Нова Зеландия наложи драконовски мерки за предотвратяване на разпространението и до голяма степен овладя вируса. След това държавите бяха сортирани по това съотношение и най-високите 50 съотношения бяха избрани като региони, където има вероятност COVID-19 да бъде относително надеждно открит и докладван. За да се съсредоточим върху ефектите от резистентността на населението, от тези 50 избрахме страните, които са постигнали 60 процента резистентност на населението или повече чрез ваксинация или възстановяване от минали инфекции до юли 2021 г. Това ни остави с нашите 14 целеви държави (Аржентина, Канада, Съединени щати, Обединеното кралство, Италия, Австрия, Ирландия, Чехия, Франция, Уругвай, Словения, Израел, Швейцария и Люксембург), както е показано на фигура 2.

For more information:1950477648nn@gmail.com