Keberkesanan Sekatan Mobiliti Dalam Mengawal Penyebaran COVID-19 dalam Populasi Tahan Bahagian 1

Abstrak:

Mobiliti manusia memainkan peranan penting dalam penyebaran COVID-19. Memandangkan pengetahuan ini, negara melaksanakan dasar menyekat mobiliti. Seiring dengan itu, apabila wabak itu berkembang, rintangan penduduk terhadap virus meningkat melalui imuniti semula jadi dan vaksinasi. Kami menangani soalan: "Apakah kesan langkah menyekat mobiliti terhadap populasi yang tahan?" Kami mempertimbangkan dua faktor: jenis tempat menarik (POI) yang berbeza—termasuk stesen transit, barangan runcit dan farmasi, runcit dan rekreasi, tempat kerja dan taman—dan kemunculan varian Delta.

Kami mengkaji sekumpulan 14 negara dan menganggarkan penghantaran COVID-19 berdasarkan jenis POI, pecahan rintangan populasi dan kehadiran varian Delta menggunakan korelasi Pearson antara mobiliti dan kadar pertumbuhan kes. Kami mendapati bahawa tempat runcit dan rekreasi, stesen transit dan tempat kerja ialah POI yang paling mendapat manfaat daripada sekatan mobiliti, terutamanya jika pecahan populasi yang mempunyai rintangan adalah di bawah 25–30 peratus . Barangan runcit dan farmasi mungkin mendapat manfaat daripada sekatan mobiliti apabila pecahan rintangan penduduk adalah rendah, manakala, di taman, terdapat sedikit kelebihan kepada langkah menyekat mobiliti. Keputusan ini konsisten untuk kedua-dua terikan asal dan varian Delta; Data Omicron tidak disertakan dalam kerja ini.

Varian Delta ialah strain mutan coronavirus baharu yang lebih menular dan patogenik daripada varian lain. Untuk imuniti, varian Delta mungkin mempunyai kesan tertentu pada imuniti sesetengah orang.

Bagi orang yang telah diberi vaksin, vaksin meningkatkan daya tahan mereka terhadap varian Delta. Walau bagaimanapun, bagi sesetengah orang, kesan perlindungan vaksin mungkin menjadi lemah, seperti mereka yang membina tahap antibodi yang rendah selepas vaksinasi, atau mereka yang masih terdedah kepada tempat berisiko tinggi selepas vaksinasi.

Di samping itu, varian Delta mungkin menimbulkan ancaman yang lebih besar kepada orang yang mempunyai imuniti yang lemah, seperti orang tua, pesakit imunokompromi dan pesakit dengan penyakit kronik. Oleh itu, mengekalkan status imun yang baik, terutamanya selepas vaksinasi, terus mengambil langkah pencegahan wabak, seperti memakai topeng, kerap mencuci tangan, dan meminimumkan perhimpunan orang ramai, dll., adalah sangat penting untuk mencegah penyebaran varian Delta. Oleh itu, kita perlu memahami kepentingan imuniti. Cistanche boleh meningkatkan imuniti dengan ketara kerana abu daging mengandungi pelbagai komponen aktif secara biologi, seperti polisakarida, dua cendawan, dan Huang Li, yang boleh merangsang sistem imun. Pelbagai jenis sel, meningkatkan aktiviti imun mereka.

Klik manfaat cistanche tubulosa

Kata kunci:

COVID-19; Delta-varian; pecahan rintangan; mobiliti manusia; pandemik; Kaedah korelasi Pearson.

1. Pengenalan

Pada Disember 2019, coronavirus baharu (COVID{1}}) ditemui di Wuhan, China. Selepas itu, ia merebak dengan pantas ke seluruh dunia, membawa kepada 6.4 juta kematian di seluruh dunia setakat Ogos 2022 dan mencetuskan wabak global [1,2]. Kini telah dipastikan bahawa COVID-19 ditularkan terutamanya melalui interaksi secara bersemuka antara orang. Oleh itu, tingkah laku manusia dan mobiliti manusia memainkan peranan penting dalam menentukan bagaimana virus itu merebak [3,4]. Sekiranya tiada vaksinasi, campur tangan bukan farmaseutikal (NPI) telah digunakan oleh banyak negara untuk mengawal penyebaran penyakit itu. Satu NPI yang diterima pakai secara meluas ialah pengurangan mobiliti manusia [5-7] yang dilaksanakan melalui penutupan ruang awam.

Banyak kajian cemerlang telah dijalankan mengenai kesan mobiliti manusia dalam evolusi pandemik-19 COVID. Kerja terdahulu boleh dikelaskan secara meluas kepada dua kategori: kajian asas dan dasar. Dalam banyak kajian asas, penyelidik berusaha untuk mencari korelasi antara mobiliti dan evolusi wabak di peringkat negara, daerah dan tempat menarik (POI). Satu kajian sedemikian [8] menyiasat persatuan spatiotemporal antara mobiliti dan jangkitan di daerah AS. Penyelidik menggunakan data peranti mudah alih untuk menangkap aliran mobiliti di dalam dan ke dalam setiap daerah dan membandingkan aliran mobiliti dengan kiraan-19 kes COVID menggunakan kaedah melengkung masa yang dinamik.

Mereka mendapati bahawa hubungan antara mobiliti dan kadar jangkitan berbeza-beza secara geografi dan sementara. Kajian serupa [9], menggunakan data peranti mudah alih untuk mencari perkaitan antara mobiliti dan kiraan kes untuk daerah AS. Analisis mereka menunjukkan hubungan positif antara mobiliti dan bilangan kes dan mencadangkan bahawa hubungan ini lebih kukuh di kawasan yang dibuka semula separa. Dalam [10], penulis menilai korelasi antara mobiliti dan bilangan kes baharu di daerah Portugis yang berbeza. Mereka mendapati bahawa mobiliti dalam peruncitan dan rekreasi, kedai runcit dan farmasi, dan POI stesen pengangkutan menunjukkan korelasi yang lebih tinggi dengan kiraan kes berbanding di taman dan tempat kerja.

Di luar korelasi, beberapa kajian mengembangkan analisis mereka untuk menilai faktor penyebab di sebalik peningkatan kadar penghantaran. Sebagai contoh, Ruj. [11,12] menganalisis kesan suhu pada penghantaran COVID-19. Penyelidik dalam [11] menggunakan graf asiklik terarah (DAG), gambaran grafik kesan penyebab yang mungkin membawa kepada kes COVID yang baru dilaporkan-19 mereka mendapati peningkatan suhu dan mobiliti tinggi (di farmasi dan kedai runcit) , membawa kepada kiraan huruf kecil. Sebaliknya, mobiliti tinggi (dalam POI runcit dan rekreasi), dan hari hujan, membawa kepada kiraan kes yang lebih tinggi.

Semasa pada [12], anggaran keputusan mereka menunjukkan bahawa tabiat mobiliti, bersama-sama dengan ujian harian dan pembolehubah persekitaran, seperti suhu, memainkan peranan dalam menerangkan kadar kes COVID-19 . Di samping itu, beberapa kajian memfokuskan pada mengukur selang masa antara mobiliti dan kes COVID-19 seperti dalam [13]. Dalam kajian itu, penyelidik menggabungkan indeks mobiliti 80 bandar di China bersama-sama dengan kiraan kes baharu dan menggunakan model autoregresif untuk menganggarkan ketinggalan. Hasilnya, mereka mendapati bahawa mobiliti berkait rapat dengan kes dengan lag selama 10 hari.

Jenis kajian kedua memfokuskan pada penggubalan dasar, contohnya, menguji campur tangan mobiliti yang berbeza untuk mencari pengurangan mobiliti optimum yang mengimbangi kos penyebaran virus dengan kos ekonomi yang berkaitan dengan penutupan, serta melaksanakan model ramalan untuk menasihati pembuat dasar. Beberapa kajian [13–16] berusaha untuk memahami cara pengurangan mobiliti mempengaruhi penyebaran kes COVID-19 merentas POI yang berbeza. Dalam [13], penyelidik menggunakan data mobiliti Google dan mengukur korelasi dengan kadar pembiakan berkesan Rt. Kajian itu mendedahkan bahawa tinggal di rumah berkesan untuk mengurangkan Rt, masa yang dihabiskan di taman mempunyai sedikit kesan, manakala mengurangkan mobiliti dalam POI lain mempunyai kesan positif yang lebih besar. Dalam [15,16], penyelidik menunjukkan bahawa pengurangan mobiliti sehingga 40 peratus di stesen transit dan tempat runcit dan rekreasi mengurangkan bilangan kes dan kelihatan berkesan "meratakan lengkung".

Tambahan pula, Ruj. [17,18] mengkaji kesan pengurangan mobiliti terhadap bilangan kes dan kematian. Dalam [17], penyelidik menemui corak konsisten pengurangan mendadak dalam kematian selepas mobiliti berkurangan. Kumpulan lain melaksanakan model ramalan [19-25] untuk menganggarkan kesan pengurangan mobiliti dan meramalkan bilangan kes dan kematian. Model-model ini telah dilaksanakan dengan pelbagai tahap kerumitan; contohnya, [19,20] menambah pembolehubah tambahan, termasuk (dalam [19]) pembolehubah meteorologi, seperti suhu, kelembapan dan hujan, bersama-sama dengan korelasi antara mobiliti dan kiraan kes COVID-19. Dalam [20], penyelidik memasukkan beberapa faktor seperti pendapatan, penunjuk kesihatan yang dikaitkan dengan Asma, peratusan orang yang tinggal di rumah, dan infrastruktur ujian.

Tiada kajian yang diterangkan di atas menyumbang sebahagian kecil daripada populasi yang mempunyai rintangan. Walau bagaimanapun, apabila wabak itu berkembang, rintangan penduduk meningkat melalui imuniti semula jadi dan vaksinasi. Banyak kajian telah dijalankan untuk mengukur keberkesanan vaksin sama ada dari segi kesan ke atas penularan atau bilangan kematian, tetapi kesan mobiliti dalam kajian ini lazimnya sama ada diabaikan (cth, kajian menganggap populasi orang yang divaksinasi dan yang tidak divaksinasi dengan mobiliti yang sama. corak) atau dianggap sebagai pembolehubah yang mengelirukan. Satu kajian sedemikian [26] menggunakan pendekatan pembelajaran mendalam untuk mensimulasikan kadar vaksinasi dan masa untuk mencapai imuniti kumpulan berdasarkan data dari lapan negara di Asia (banyak kajian seterusnya menunjukkan bahawa imuniti kumpulan tidak lagi dalam genggaman kami), manakala [27] ,28] menilai kesan vaksinasi dalam mengawal wabak (cth, mengurangkan bilangan kejadian dan kematian) melalui model berasaskan ejen. Tambahan pula, Ruj. [29] menilai perkaitan antara vaksinasi dan kadar kematian di AS menggunakan pendekatan berasaskan regresi dan sebagai hasilnya, mendapati bahawa vaksinasi membantu dalam mengurangkan kadar kematian di negeri yang berbeza di AS.

Dengan mengambil kira kesan vaksinasi dan mobiliti ke atas penularan, Ruj. [30] mengkaji tingkah laku vaksinasi dan mobiliti dalam mengawal wabak menggunakan pemodelan persamaan struktur; mereka mendapati bahawa pemvaksinan memperlahankan penyebaran COVID-19 di kawasan yang pemvaksinan berkorelasi negatif dengan mobiliti dan begitu juga sebaliknya bagi kawasan yang mempunyai perkaitan positif antara vaksinasi dan mobiliti.

Walaupun kerja sebelumnya telah menyiasat korelasi antara mobiliti dan evolusi pandemik, termasuk kesan vaksinasi seperti dalam [30], mereka tidak mempertimbangkan kesan rintangan populasi (kedua-dua imuniti semula jadi dan vaksinasi) pada korelasi ini. Oleh itu, fokus kajian kami adalah untuk menganalisis korelasi antara mobiliti dan penghantaran COVID-19 merentas tempat menarik (POI) yang berbeza sambil mengambil kira rintangan populasi (vaksinasi—imuniti semula jadi ( peratus daripada populasi yang pulih daripada COVID -19)) dan kemunculan varian Delta.

Untuk mencapai matlamat kami, kami akan mengeksploitasi dataset kiraan kes COVID{0}} Dunia Kita dalam Data, bersama-sama dengan set data Mobiliti Google. Kami menggabungkan set data ini untuk menguji korelasi antara mobiliti dan kadar penyebaran virus sambil mengambil kira empat faktor tambahan: tempat menarik (POI)—termasuk tempat runcit dan rekreasi, stesen transit, taman, kedai runcit dan farmasi serta tempat kerja; kemunculan varian Delta; sebahagian kecil daripada populasi yang telah diberi vaksin; dan sebahagian kecil daripada populasi yang mempunyai rintangan semula jadi (iaitu, mereka yang telah pulih daripada jangkitan COVID-19). Ambil perhatian bahawa jika tiada kaitan antara mobiliti dan kiraan kes COVID-19, maka langkah mitigasi yang menyekat mobiliti akan memberi sedikit kesan dalam mengawal penyebaran virus.

Baki kertas kerja ini disusun seperti berikut. Bahagian 2 memperkenalkan gambaran keseluruhan set data dan prapemprosesan data. Bahagian 3 menunjukkan metodologi kami. Bahagian 4 dan 5 menunjukkan hasil analisis kami, bersama dengan perbincangan. Akhirnya, kesimpulan dibuat dalam Bahagian 6.

2. Set Data

Langkah pertama dalam analisis adalah untuk mengumpul dan pra-memproses data; bahagian ini memberikan gambaran keseluruhan set data yang kami gunakan untuk kajian dan proses pemilihan negara kami. Data kami telah diambil daripada tiga set data yang ditunjukkan dalam Jadual 1 dengan rangka masa yang dipilih pada Feb 2020–Jul 2021.

2.1. COVID-19 Set Data

Our World in Data [31] diselenggarakan oleh organisasi bukan untung yang merangkumi beribu-ribu penyelidik dari seluruh dunia. Salah satu set data terkaya yang mereka kumpulkan semasa wabak ialah set data-19 COVID. Set data ini menangkap ukuran wabak setiap hari (cth, kes baharu, kematian baharu, vaksinasi, dsb.) bersama-sama dengan demografi (cth, umur median) dan metrik berkaitan negara (cth, indeks pembangunan manusia). Ia meliputi 231 negara dan termasuk 60 pembolehubah. Pengumpulan data bermula pada Jan 2020 dan, sehingga kini, set data telah dikemas kini setiap hari.

2.2. Set Data Mobiliti Google

Google menyediakan set data mobiliti yang tersedia secara terbuka berkaitan dengan wabak [32], yang mana ia mengukur bilangan pelawat harian kepada POI tertentu sebagai kadar mobiliti (MR). POI termasuk stesen transit, barangan runcit dan farmasi, tempat runcit dan rekreasi, tempat kerja dan taman. Pengukuran mereka adalah berdasarkan pengiraan perubahan relatif pelawat daripada garis dasar sebelum wabak dan meliputi 123 negara. Pengumpulan data bermula pada Feb 2020, dan telah dikemas kini setiap hari sehingga kini.

2.3. COVID-19 Varian

Sebagai tambahan kepada set data COVID-19 yang diterangkan di atas, Our World in Data berkongsi set data varian COVID-19 [33], yang diperoleh daripada GISAID [34]. Set data secara berkala menangkap bilangan sampel terjujukan yang berada di bawah nama varian tertentu. Ia meliputi 110 negara. Pengumpulan data bermula pada Mei 2020, dan, sehingga kini, ia telah dikemas kini setiap dua minggu.

2.4. Pemilihan Negara

Sepanjang wabak ini, terdapat banyak ketidakkonsistenan dan ketidakpastian mengenai ujian dan dengan tepat melaporkan bilangan kes COVID-19 di negara yang berbeza. Memandangkan ketidakpastian ini, kami berusaha untuk mengehadkan kajian kami kepada negara yang mempunyai data yang dilaporkan secara relatif boleh dipercayai. Proses pemilihan kami mengikut langkah yang ditunjukkan dalam Rajah 1. Mula-mula, kami menemui negara yang bersilang daripada tiga set data. Kemudian, untuk mengetahui secara kasar negara mana yang mengesan sebahagian besar kes, kami mendapati, bagi setiap negara, nisbah terbesar kes yang dikesan (Cnew) kepada jumlah penduduk (p):

Jika setiap negara dilanda gelombang kes pada satu ketika semasa wabak, semakin tinggi nisbah ini, semakin besar kemungkinan negara mengesan dan melaporkan kes dengan pasti; iaitu, jika sesebuah negara melaporkan bahawa nisbah ini hampir sifar, memandangkan sifat virus yang sangat mudah berjangkit, kemungkinan besar mereka kurang mengira berbanding mereka tidak mempunyai kes COVID-19. Terdapat, sudah tentu, pengecualian untuk ini; sebagai contoh, pada awal pandemik, New Zealand telah menguatkuasakan langkah-langkah kejam untuk mencegah penularan dan sebahagian besarnya mengekalkan virus itu. Negara kemudiannya diisih mengikut nisbah ini dan 50 nisbah tertinggi telah dipilih sebagai wilayah yang COVID-19 berkemungkinan boleh dikesan dan dilaporkan secara relatifnya. Untuk memberi tumpuan kepada kesan rintangan penduduk, daripada 50 itu, kami memilih negara yang mencapai 60 peratus ketahanan penduduk atau lebih melalui vaksinasi atau pemulihan daripada jangkitan lalu menjelang Julai 2021. Ini menjadikan kami 14 negara sasaran (Argentina, Kanada, Amerika Syarikat, United Kingdom, Itali, Austria, Ireland, Republik Czech, Perancis, Uruguay, Slovenia, Israel, Switzerland dan Luxembourg), seperti yang ditunjukkan dalam Rajah 2.

For more information:1950477648nn@gmail.com