A mobilitási korlátozások hatékonysága a COVID{0}} terjedésének szabályozására egy ellenálló lakosság körében 2. rész

3. Módszertan

Módszertanunkat három lépésre osztottuk: Napi mérések, Korrelációk és populációs ellenállási tartományok, valamint Delta Variant Becslések. Az összes kódot a semmiből írták Python segítségével.

A Delta-mutáció és az immunitás közötti kapcsolat nagyon bonyolult, mivel a Delta-mutáció egy új koronavírus-mutáció, amely különbözik a korábbi koronavírus-mutációktól. A jelenlegi kutatások szerint a Delta változat magasabb fertőzőképességgel és erősebb patogenitással rendelkezik, ami azt jelenti, hogy bizonyos hatással lehet az immunitásra. A tanulmány megállapította, hogy az új koronavírus Delta-mutációja gyengítheti a vakcina védőhatását. Egy friss tanulmány szerint a Delta-változat elleni védőoltás védőhatása valamelyest csökken. Ez összefügghet a Delta variáns kulcsfontosságú mutációjával, ami megkönnyíti a vírus számára az immunválasz elkerülését. Ezenkívül egyes tanulmányok kimutatták, hogy a Delta-változat megfertőzheti azokat az embereket, akik már megfertőződtek a vírussal, gyengítve ezzel immunválaszukat.

Bár a Delta mutáció bizonyos negatív hatással lehet az immunitásra, a vakcinák továbbra is kulcsfontosságú eszközök az új koronavírus terjedésének megelőzésében és megfékezésében. Bár az oltóanyag frissítésére lehet szükség a Delta változat és más változatok megjelenésének jobb kezelése érdekében, a vakcina továbbra is rendkívül hatékonyan védi meg az embereket a súlyos betegségektől és a kórházi kezeléstől. Emellett nagyon fontos a jobb személyi higiéniára és a szociális távolságtartásra való összpontosítás az új koronavírus terjedésének visszaszorítása érdekében. Ebből a szempontból figyelnünk kell immunitásunk javítására. A Cistanche fokozhatja az immunitást, a húsban lévő poliszacharidok pedig szabályozhatják az emberi immunrendszer immunválaszát, javíthatják az immunsejtek stressz-képességét és erősíthetik az immunsejteket. baktericid hatás.

Click cistanche tubulosa kivonat por

3.1. Napi mérések

Ebben a részben a fő célunk a következő napi változók kiszámítása: mobilitási ráta (mind az öt POI-ra), az esetek növekedési rátája (GRt j ) és a populáció rezisztens hányada (FR), amint az az alábbi ábrán látható. 3. ábra A mobilitási arányhoz közvetlenül a Google Mobility adatkészletből vettünk értékeket. A többi változót a következőképpen számítottuk ki.

Az esetek növekedési ütemének becsléséhez a [21]-ből származó (2) képletet alkalmazzuk 11-napos késéssel a mobilitásmérések és az esetek számának pillanatnyi időbeli deriváltja között a [35] optimális késleltetési eredményei alapján. :

Az esetek növekedési ütemét (GRt j ) egy adott j országra és egy adott t napra a rendszer az új esetek előző három napban bekövetkezett változásának logaritmikus sebességeként számítja ki az új esetek előző heti logaritmikus arányához viszonyítva. Itt c t j az új esetek száma j országban a t napon.

Egy adott országban egy adott napon rezisztens lakosság arányának becsléséhez a természetes immunitással rendelkezők (azaz akik már elkapták a COVID-ot-19 és felépültek) hányadát kombináltuk a beoltott emberek részével. :

ahol a rezisztencia valamilyen formájával (FRT) szenvedők teljes hányada az esetek eddigi hányadától (FRc) függ, amelyet úgy becsülnek meg, hogy a bejelentett esetek teljes számát (CTot) egy szorzóval (m) skálázzák országonként, Amint a 2. táblázat mutatja. Ezeket az m szorzókat, amelyek az aluljelentést magyarázzák, számos szakirodalmi tanulmányból vették át. Ez a megközelítés azt feltételezi, hogy a természetes ellenállás nem halványult el, ami elfogadható feltételezés lehet a világjárvány kezdeti szakaszában. Ha ezt az elemzést meg kell ismételni, javasoljuk, hogy korlátozzák a természetes rezisztenciához vezető esetek körét, hogy figyelembe vegyék azt a tényt, hogy (a) a világjárvány valószínűleg túllépte a rezisztencia tipikus időtartamát, amit a megfigyelt újrafertőződések óriási száma bizonyít. az elmúlt évben, és (b) úgy tűnik, hogy az Omicron-változatok különösen jók a védekezésünk elkerülésében, és az újrafertőződés meglehetősen rövid időn belül megtörténhet. A természetes rezisztenciával rendelkező frakciót (FRc) hozzáadjuk a populáció beoltott hányadához (FRv), amelyet az (5) egyenletben becsülünk meg. Annak elkerülése érdekében, hogy a COVID-fertőzést-19 megfertőző és beoltott személyek kétszeres számbavétele elkerülhető legyen, az FRv-t (1-FRc) skálázzuk.

3.2. Korrelációk és populációs ellenállási tartományok

A napi változók becslése után az országok idősorait FRT alapján tartományokba soroljuk. Ez országonként eltérő időszakokat eredményez, amelyekben az ellenállással élő lakosság aránya hasonló. Ennek eléréséhez a 4. ábrán látható folyamatot követtük, ahol először az egyes országokat vettük figyelembe, és az idősorokat periódusokra osztottuk az FRT teljes ellenállási hányada alapján: kiválasztjuk az FRT első tálcáját, amely a {{1} közé esik. }–10 százalék , a második 10–20 százalék között, és így tovább 60–70 százalékig. Ezután minden időszakra kiszámítottuk a korrelációt az időkésleltetett Google mobilitási pontszám és az esetek növekedési üteme (GRt j ) között az egyes POI-k esetében. Pearson-korrelációt alkalmaztunk, ahol az 1 erős pozitív korrelációt, a 0 nem, a −1 pedig erős negatív korrelációt jelez.

3.3. Delta Variant becslések

Annak meghatározására, hogy a Delta-változat megjelenése hogyan befolyásolja ezeket a korrelációkat, kiszámítottuk a Delta-frakciót minden egyes FRT-periódushoz, és azonosítottuk azokat az időszakokat, amelyekben magas a Delta-frakció és alacsony a Delta-frakció.<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∆):

ahol (F∆) egyenlő a Delta változat (n∆) szekvenált mintáinak osztva az összes szekvenált mintával az adott időszakban (nem).

Végül összesítettük a korrelációs együtthatókat minden országra, valamint az egyes POI-kra és FRT-időszakokra; két átviteli pályát veszünk figyelembe, az egyik csak olyan adatokat tartalmaz, amelyeknél a Delta < 10 százalék (Pre-Delta), a másik pedig az összes adatot (post-Delta).

4. Eredmények

4.1. A mobilitás és a COVID-esetek közötti összefüggés{2}}

Az esetek növekedési üteme és a mobilitás közötti mért összefüggések hisztogramja mind a 14 országban és az összes POI esetében a 6. ábrán látható. A korreláció -0.67 és 0.66 között mozog, a legtöbb adattal a [−0.29, 0.28] tartományba esik. Ennél a részletességnél az adatok arra utalnak, hogy nincs valós összefüggés a mobilitás és a növekedési ráta között, azaz átlagosan a mobilitási minták módosulása nem befolyásolja az esetszámot. Ez a durva szemcsés megközelítés azonban elfedi a népességrezisztencia hatását, amely a következő részekből kiderül.

4.2. A lakossági rezisztencia hatása a COVID-19 átvitelre

A járvány előrehaladtával a vírussal szemben rezisztens népesség aránya növekszik a védőoltás vagy a COVID{0}} megfertőződése és gyógyulása révén. Ahhoz, hogy megértsük az ellenállás hatását a növekedési ráta és a mobilitás összefüggésére, vegyük figyelembe a következő két szélsőséges esetet. Egy naiv populációban, amelyben senki sem rezisztens a vírussal szemben, minden érintkezés potenciálisan új fertőzést jelent; ebben a forgatókönyvben az olyan POI-kban való időtöltés, amelyek növelik a lakosság kapcsolatainak számát (pl. tranzitállomások), valószínűleg több esethez vezet. Ezért egy naiv populációban azt várjuk, hogy a magas érintkezésű POI-k mobilitása erősen korrelál az esetek növekedési ütemével. A másik véglet, ha a lakosság nagy része rezisztens a vírussal szemben, akkor az adott POI-ban a legtöbb érintkezés valószínűleg nem vezet átvitelhez. Ez arra utal, hogy egy erősen rezisztens populációban a magas érintkezésű POI-k mobilitása csak gyengén korrelál a növekedési rátával, ha egyáltalán lesz.

Ennek teszteléséhez az adatokat a rezisztens populáció FRT-vel rendelkező hányada szerint csoportosítottuk (amelyet az oltási arányból és a fent leírt korábbi fertőzésekből egyaránt becsültünk). Ennek a gyakorlatnak a rekreációs és kiskereskedelmi POI-kra vonatkozó eredményeit a 7. ábra mutatja. Mindegyik pont a COVID-esetek növekedési üteme és a mobilitás közötti átlagos korrelációs együtthatót (az összes ország átlagát a releváns időszakokban) jelenti. A sávok az adatok 75 százalékát rögzítik; A kiugró értékeket eltávolítottuk a vizualizáció zavartalanítása és a trendek kiemelése érdekében. Az átlag hibája 0.056, amint azt a diagram szürke tartománya mutatja. Ahogy az várható volt, amikor a lakosságnak csak egy kis része rezisztens (körülbelül 0-25 százalék, amint ebben az esetben a narancssárga pontok mutatják), egyértelmű összefüggés van a mobilitás és az esetek növekedési üteme között, ami arra utal, hogy a hozzáférés korlátozása A szabadidős és kiskereskedelmi létesítmények a járvány korai szakaszában hasznosak lehetnek a fertőzések számának csökkentésében. A populáció ellenállásának növekedésével azonban a mobilitás és az esetek növekedési üteme közötti összefüggés egyre gyengébb lesz.

Hasonló diagramok, amelyek a népességrezisztenciának a négy másik POI-ra – tranzitállomásokra, munkahelyekre, élelmiszerboltokra és gyógyszertárakra, valamint parkokra – gyakorolt ​​hatást mutatják be a 8. ábrán. Minden POI hasonló tendenciát mutat, egyértelmű összefüggésekkel a mobilitás és az esetek növekedési üteme között, amikor a töredék a lakosság rezisztenciája alacsony; az ellenállás növekedésével a korrelációk folyamatosan csökkennek, elhanyagolhatóvá válnak az FRT különböző kritikus értékeinél.

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) a mobilitás és a növekedési ráta között. Ezután, ahogy az FRT 25 százalék fölé emelkedik, a korreláció folyamatosan csökken; a munkahelyek is hasonló tendenciát mutatnak. Az élelmiszerboltok, gyógyszertárak és parkok esetében az összefüggés nem olyan erős, mint a tranzitállomások, kiskereskedelmi, szabadidős vagy munkahelyi helyszínek esetében. Amint a 8. ábrán látható, egyértelmű összefüggés van, ha az FRT < 10 százalék. Ezt követően a korreláció azt jelenti, hogy nulla közelében lebeg, ami arra utal, hogy a mobilitás korlátozása bizonyos esetekben hasznos lehet, más esetekben nem; Az, hogy ez a helyzet, valószínűleg más érvényben lévő enyhítő tényezőktől függ.

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, pozitív korrelációként (narancssárga) van megjelölve, ezért a mobilitás korlátozása ebben az időszakban hasznos lehet. Másrészt a korreláció azt jelenti, hogy igen<−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. Vita

5.1. A mobilitást korlátozó politikákra vonatkozó következmények

Minden adatunk egyértelmű és konzisztens tendenciát mutat: naiv populációban a mobilitás korrelál az esetek növekedési ütemével; a populáció ellenállásának növekedésével ez a korreláció nullára csökken, amikor az FRT elér egy kritikus értéket. Ha az FRT ezen kritikus értékét elérjük, és nincs összefüggés a mobilitás és a növekedési ráta között (mint a 7. és 8. ábrán a kék pontok esetében), a mobilitás csökkentése a POI-k bezárásával csekély hatással lehet az átviteli sebességre. Jól bebizonyosodott, hogy a POI-k leállítása komoly gazdasági és társadalmi költségekkel járhat. Ezért érdemes megfontolni, hogy megéri-e a kompromisszum. A 7. és 8. ábrán látható összes adat arra utal, hogy a mobilitási korlátozások hatásosak lehetnek a járvány korai szakaszában, de fokozatosan veszítenek erejükből, ahogy a populáció ellenállóvá válik az oltás vagy gyógyulás révén, és ennek következtében a mobilitás és a fertőzés közötti kapcsolat gyengül. Itt kiemeltük az FRT (narancssárga színnel) értékeit, amelyekre vonatkozóan a mobilitást korlátozó irányelvek pozitív hatással lehetnek a COVID terjedésének lassítására-19. Hasonlóképpen, a kék pont az FRT azon értékeit jelöli, amelyeknél a mobilitási korlátozások valószínűleg nem gyakorolnak jelentős hatást az átvitelre.

Ezeket a kék és narancssárga csoportosításokat a 3. táblázat foglalja össze. Az adatok azt sugallják, hogy a kiskereskedelmi és rekreációs helyszínek, a tranzitállomások és a munkahelyek azok a POI-k, amelyek a leginkább profitálnak a mobilitást korlátozó intézkedésekből, és valószínűleg a kezdeti szakaszon túl is. (azaz amíg a FR 25–30 százalék fölé nem nő, a 4. táblázat szerint). Úgy gondoljuk, hogy ez azért merülhet fel, mert ezeknek a POI-knak közös alapvető jellemzői vannak, amelyek megkönnyítik az átvitelt (pl. zárt tér, zsúfoltság és viszonylag hosszú tartózkodási idő).

A POI-k második csoportja, amelyek számára előnyös lehet a mobilitási korlátozás a járvány korai szakaszában (de a visszatérés a kezdeti szakaszon túl kevésbé kifejezett lehet), az élelmiszerboltok és a gyógyszertárak. Ez ismét egy egyértelmű tendenciát mutat, miszerint egy naiv populációban (akár 10 százalékig rezisztens) a mobilitás és a megbetegedések növekedési üteme összefügg egymással; ezért előnyös lehet a hozzáférés korlátozása vagy a sűrűség szabályozása. Arra gondolunk, hogy az élelmiszerboltok és a gyógyszertárak jobban járhatnak, mint a kiskereskedelem, a szabadidő és a munkahelyek, mivel a vásárlók „válogatás és menés” bizonyos részhalmaza csökkenti a tartózkodási időt.

Fontos azonban megjegyezni, hogy ezek a kritikus értékek – a fent tárgyalt összes helyszín esetében – átlagoltak, és egy adott helyszín FRT kritikus értéke valószínűleg a POI méretétől, a helyi mérséklési stratégiáktól stb. függ. néhány általános „ökölszabály” – mint minden politika esetében – fontos, hogy mélyebbre merüljön a helyi zavaró tényezők megértése érdekében, hogy meghatározzuk, mely POI-kat kell nyitva tartani és melyeket korlátozni.

Végül, az adatok nagyon csekély korrelációt mutatnak a mobilitás és a parkok növekedési üteme között az FRT szinte minden értékénél. Az 5–10 százalék feletti FRT esetében az összefüggés elhanyagolható volt, ami arra utal, hogy a COVID-19 esetében a parkok nyitva tartása, amelyek szabad teret biztosítanak az emberek számára a szocializációhoz, valószínűleg nem vezet fokozott átvitelhez (és hasznos lehet, ha a könnyen elérhető kültéri terek jelenléte arra ösztönzi az embereket, hogy kimozduljanak a transzmissziósabb környezetekből).

5.2. A Delta Variant hatása a COVID{2}} átvitelre

Megközelítésünk egyik kihívása, hogy a populáció rezisztens része nem véletlenszerű mintaként jelenik meg időben: a rezisztencia a járvány előrehaladtával nő. Ez felveti annak lehetőségét, hogy az általunk mért összefüggések nem az ellenállásnak, hanem a járvány előrehaladtával kialakuló különböző változatoknak köszönhetők. Ebben a vizsgálatban az általunk vizsgált időszakban a domináns változatok a kezdeti törzs(ek) és a Delta variáns voltak, amelyek átvihetőbbnek és halálosabbnak bizonyultak, mint az eredeti törzsek. A Delta megjelenésének magyarázata érdekében ugyanazt az elemzést futtattuk, de eltávolítottuk az összes olyan pontot, ahol a Delta az észlelt esetek több mint 10 százalékát tette ki. A 7. és 8. ábrán a folytonos vonal ennek az elemzésnek felel meg, azaz az eredeti törzsek Delta nélkül (<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. Következtetések

Ebben a tanulmányban a mobilitást korlátozó mérséklő intézkedések hatását elemeztük egy rezisztens populációra, amelyben két tényezőt vettünk figyelembe: először is a rezisztencia hatását a különböző látnivalókra (POI), beleértve a tranzitállomásokat, élelmiszerboltokat és gyógyszertárakat, a kiskereskedelmi és rekreációs helyszínek, munkahelyek és parkok; másodszor, az ellenállás hatása a Delta változat megjelenése előtt és után. Vizsgáltunk egy 14 országból álló csoportot, ahol viszonylag megbízható COVID-19 esetszámok szerepelnek – amelyben az adatokat a populáció rezisztens hányadához és a Delta-variáns jelenlétéhez kötjük – a mobilitás és az esetek közötti Pearson-korreláció segítségével. Megállapítottuk, hogy a kiskereskedelmi és rekreációs helyszíneken, tranzitállomásokon és munkahelyeken a mobilitási korlátozások nagy valószínűséggel előnyösek a vírus terjedésének visszaszorításában, különösen akkor, ha a lakosság rezisztens része 25-30 százalék alatt van. Egyes esetekben az élelmiszerboltok és a gyógyszertárak részesülhetnek a mobilitási korlátozásokból, ha a lakosság rezisztenciával küzdő része 10 százalék alatt van. Míg a parkokban nem sok előnye van a mobilitást korlátozó intézkedéseknek.

Ennek a tanulmánynak az egyik korlátja a COVID alatti adatgyűjtés bizonytalanságai{0}}. Ennek a problémának a megoldására azonban törekedtünk a 2.4. pontban leírt országkiválasztási számítás segítségével, ahol a 14 legmegbízhatóbb országot választottuk ki a vizsgálathoz. Másrészt ennek a munkának az erősségei a globális perspektíva és a széles körű betekintés. Ezen túlmenően a szakpolitikai vonatkozások miatt ezek a betekintések a későbbiekben felhasználhatók a COVID-hoz hasonló fertőző betegségek esetén-19, amint azt az 5.1. szakasz tárgyalja. Ha tudjuk, hogy mely POI-kat kell jobban korlátozni, miközben figyelembe veszi a rezisztencia küszöböt, az segíthet megelőzni a betegség terjedését, és életeket menthet meg a korábbi szakaszokból.

A jövőbeni munkánk során célunk a populációs rezisztencia hatásának vizsgálata mind a halálozási arányra, mind az intenzív osztályos betegek számára. Emellett érdekes lehet összehasonlítani a különböző típusú rezisztenciák hatását (a természetes rezisztencia versus vakcina, illetve a kettő kombinációja). Ezen túlmenően, ahogy egyre több adat áll rendelkezésre, a mikroléptékű elemzések is megvalósíthatóvá válnak, ha a városon belül különböző kerületeket és helyeket is bevonunk.

A szerző hozzájárulásai:

Módszertan, DA és AH; kódolás és elemzés, DA; források, DA; adatkezelés, DA; írás – eredeti tervezet előkészítése, DA és AH; írás – áttekintés és szerkesztés, DA, AH és MN; vizualizáció, DA és AH; felügyelet, AH és MN Minden szerző elolvasta és elfogadta a kézirat közzétett változatát.

Finanszírozás:

Ezt a kutatást Abdulaziz király tudományos és technológiai városa finanszírozta.

Az intézményi felülvizsgálati bizottság nyilatkozata:

Nem alkalmazható.

Tájékozott beleegyező nyilatkozat:

Nem alkalmazható.

Adatelérhetőségi nyilatkozat:

Our World in Data [31] – A Google nyilvánosan elérhető mobilitási adatkészletet biztosít a világjárvánnyal kapcsolatban [32] – Az Our World in Data megosztott egy COVID-19 változatok adatkészletét [33].

Összeférhetetlenség:

A szerzők nem nyilatkoznak összeférhetetlenségről.

Hivatkozások

1. Li, Q.; Guan, X.; Wu, P.; Wang, X.; Zhou, L.; Tong, Y.; Ren, R.; Leung, KSM; Lau, EHY; Wong, JY; et al. Az új koronavírussal fertőzött tüdőgyulladás korai átviteli dinamikája a kínai Wuhanban. N. Engl. J. Med. 2020, 382, ​​1199–1207. Elérhető online: https://www.researchgate.net/publication/338904336_Early_Transmission_Dynamics_in_Wuhan_ China of_Ovel_ Coronavirus-Infected_Pneumonia (Hozzáférés dátuma: 2021. augusztus 15.).

2. Zhu, N.; Zhang, D.; Wang, W.; Li, X.; Yang, B.; Song, J.; Zhao, X.; Huang, B.; Shi, W.; Lu, R.; et al. Egy új koronavírus tüdőgyulladásban szenvedő betegektől Kínában, 2019. N. Engl. J. Med. 2020, 382, ​​727–733. [CrossRef] [PubMed]

3. Wesolowski, A.; Buckee, CO; Engø-Monsen, K.; Metcalf, CJE A mobilitás összekapcsolása a fertőző betegségekkel: A mobiltelefon-adatok ígérete és korlátai. 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.; et al. A Zika-vírus terjedése Amerikában. Proc. Natl. Acad. 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.; Nightingale, ES; et al. A nem gyógyszerészeti beavatkozások hatása a COVID-19 esetekre, halálozásokra és a kórházi szolgáltatások iránti keresletre az Egyesült Királyságban: modellező tanulmány. Lancet Public Health 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; et al. A nem gyógyszerészeti beavatkozások COVID-ra gyakorolt ​​hatásának becslése{2}} Európában. Természet 2020, 584, 257–261. [CrossRef] [PubMed]

7. Lai, S.; Ruktanonchai, ÉNy; Zhou, L.; Prosper, O.; Luo, W.; Floyd, JR; Wesolowski, A.; Santillana, M.; Zhang, C.; Du, X.; et al. A nem gyógyszerészeti beavatkozások hatása a COVID-19 megfékezésére Kínában. Természet 2020, 585, 410–413. [CrossRef]

8. Kwon, H.; Hom, K.; Rifkin, M.; Tian, ​​B.; Koylu, C. Az emberi mobilitás és a COVID{1}} prevalencia közötti kapcsolat térbeli és időbeli heterogenitásának feltárása dinamikus idővetemítés segítségével. arXiv 2021, arXiv:2109.13765.

9. Xiong, C.; Hu, S.; Yang, M.; Luo, W.; Zhang, L. A mobileszközökre vonatkozó adatok feltárják az emberi mobilitás és a COVID{1}} fertőzések közötti pozitív kapcsolat dinamikáját. Proc. Natl. Acad. Sci. USA 2020, 117, 27087–27089. [CrossRef]

10. Casa Nova, A.; Ferreira, P.; Almeida, D.; Dionísio, A.; Quintino, D. Összefügg a mobilitás és a COVID{1}}? Dinamikus elemzés a portugál körzetekhez. Entropy 2021, 23, 786. [CrossRef]

11. Steiger, E.; Mussgnug, T.; Kroll, LE A COVID{1}} megfigyelési adatainak ok-okozati grafikonos elemzése a német körzetekben feltárja a meghatározó tényezők hatását a bejelentett esetszámokra. PLoS ONE 2021, 16, e0237277. [CrossRef]

12. Cartenì, A.; Di Francesco, L.; Martino, M. Hogyan befolyásolták a mobilitási szokások a COVID{1}} világjárvány terjedését: Az olasz esettanulmány eredményei. Sci. Total Environ. 2020, 741, 140489. [CrossRef]

13. Noland, RB Mobility és a COVID tényleges szaporodási aránya-19. J. Transp. Health 2021, 20, 101016. [CrossRef] [PubMed]

14. Wielechowski, M.; cseh, K.; Grz ˛eda, Ł. A mobilitás csökkenése: Tömegközlekedés Lengyelországban a COVID{1}} világjárvány idején. Gazdaság, 2020, 8, 78. [CrossRef]

15. Ó, J.; Lee, HY; Khuong, QL; Markuns, JF; Bullen, C.; Barrios, OEA; Hwang, SS; Suh, YS; McCool, J.; Kachur, SP; et al. A mobilitási korlátozások a COVID{1}} előfordulásának csökkenésével jártak a járvány korai szakaszában: 34 országban végzett valós idejű értékelésből származó bizonyíték. Sci. Rep. 2021, 11, 13717. [CrossRef] [PubMed]

16. Agarwal, A.; Alomar, A.; Sarker, A.; Shah, D.; Shen, D.; Yang, C. Két égető kérdés a COVID-ról-19: Segített a gazdaság leállítása? Meg tudjuk-e (részben) újranyitni a gazdaságot a második hullám kockáztatása nélkül? 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. A mobilitás és a COVID{1}} terjedésének csökkenése. Nat. Commun. 2021, 12, 1090. [CrossRef]

18. Cabana, Á.; Etcheverry, L.; Fariello, MI; Bermolen, P.; Fiori, M. A mobilitás csökkentésének hatásának felmérése a COVID második hullámában-19. In Proceedings of the 2021 XLVII Latin American Computing Conference (CLEI), Bécs, Ausztria, 2021. április 21–23.; 1–10.

19. da Silva, TT; Francisquini, R.; Nascimento, MC Meteorológiai és emberi mobilitási adatok a COVID{1}} esetek előrejelzéséről egy új hibrid bomlási módszerrel anomália-detektáló elemzéssel: esettanulmány Brazília fővárosaiban. Szakértői rendszer. Appl. 2021, 182, 115190. [CrossRef]

20. Bhowmik, T.; Tirtha, SD; Iraganaboina, NC; Eluru, N. A COVID{1}} átviteli és halálozási arányainak átfogó elemzése megyei szinten az Egyesült Államokban, figyelembe véve a társadalmi-demográfiai adatokat, az egészségügyi mutatókat, a mobilitási trendeket és az egészségügyi infrastruktúra jellemzőit. PLoS ONE 2021, 16, e0249133. [CrossRef]

21. Badr, HS; Du, H.; Marshall, M.; Dong, E.; Squire, MM; Gardner, LM A mobilitási minták és a COVID{1}} átvitel közötti kapcsolat az Egyesült Államokban: matematikai modellezési tanulmány. Lancet Infect. Dis. 2020, 20, 1247–1254. [CrossRef]

22. Chang, S.; Pierson, E.; Koh, PW; Gerardin, J.; Redbird, B.; Grusky, D.; Leskovec, J. A COVID{1}} mobilitási hálózatmodelljei magyarázatot adnak az egyenlőtlenségekre és az újranyitásról szólnak. Természet 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 A COVID{8}} evolúciójának előrejelzésének javítása epidemiológiai és mobilitási adatok egyesítésével. Sci. Rep. 2021, 11, 15173. [CrossRef] [PubMed]

24. Wei, Y.; Wang, J.; Song, W.; Xiu, C.; Ma, L.; Pei, T. A COVID{1}} terjedése Kínában: Elemzés városi járvány- és mobilitási modellből. Cities 2021, 110, 103010. [CrossRef] [PubMed]

25. Kuzdeuov, A.; Baimukasev, D.; Karabay, A.; Ibragimov, B.; Mirzakhmetov, A.; Nurpeiissov, M.; Lewis, M.; Varol, HA Hálózati sztochasztikus járványszimulátor: Covid-19 szabályozása régióspecifikus irányelvekkel. IEEE J. Biomed. Egészségügyi Tájékoztató. 2020, 24, 2743–2754. [CrossRef] [PubMed]

For more information:1950477648nn@gmail.com