Die Wirksamkeit von Mobilitätseinschränkungen bei der Kontrolle der Ausbreitung von COVID-19 in einer resistenten Bevölkerung Teil 1

Abstrakt:

Die menschliche Mobilität spielt eine wichtige Rolle bei der Verbreitung von COVID-19. Aufgrund dieses Wissens führten die Länder mobilitätseinschränkende Maßnahmen ein. Gleichzeitig nahm mit fortschreitender Pandemie die Resistenz der Bevölkerung gegen das Virus durch natürliche Immunität und Impfung zu. Wir gehen der Frage nach: „Welche Auswirkungen haben mobilitätseinschränkende Maßnahmen auf eine resistente Bevölkerung?“ Wir berücksichtigen zwei Faktoren: verschiedene Arten von Points of Interest (POIs) – darunter Transitstationen, Lebensmittel und Apotheken, Einzelhandel und Freizeit, Arbeitsplätze und Parks – und das Aufkommen der Delta-Variante.

Wir untersuchten eine Gruppe von 14 Ländern und schätzten die COVID-19-Übertragung basierend auf der Art des POI, dem Anteil der Bevölkerungsresistenz und dem Vorhandensein der Delta-Variante unter Verwendung einer Pearson-Korrelation zwischen Mobilität und der Wachstumsrate der Fälle. Wir stellen fest, dass Einzelhandels- und Freizeiteinrichtungen, Bahnhöfe und Arbeitsplätze die POIs sind, die am meisten von Mobilitätseinschränkungen profitieren, vor allem dann, wenn der Anteil der Bevölkerung mit Widerstand unter 25–30 Prozent liegt. Lebensmittelgeschäfte und Apotheken können von Mobilitätseinschränkungen profitieren, wenn der Bevölkerungswiderstand gering ist, während in Parks mobilitätseinschränkende Maßnahmen kaum Vorteile bringen. Diese Ergebnisse stimmen sowohl für den ursprünglichen Stamm als auch für die Delta-Variante überein; Omicron-Daten wurden in dieser Arbeit nicht berücksichtigt.

Die Delta-Variante ist ein mutierter Stamm des neuen Coronavirus, der ansteckender und pathogener ist als andere Varianten. Was die Immunität betrifft, kann die Delta-Variante einen gewissen Einfluss auf die Immunität einiger Menschen haben.

Bei bereits geimpften Personen erhöht der Impfstoff die Resistenz gegen die Delta-Variante. Bei manchen Menschen kann die Schutzwirkung des Impfstoffs jedoch abgeschwächt sein, beispielsweise bei Menschen, die nach der Impfung nur geringe Antikörperwerte entwickeln, oder bei Menschen, die sich nach der Impfung immer noch an Orten mit hohem Risiko aufhalten.

Darüber hinaus könnte die Delta-Variante eine größere Gefahr für Menschen mit geschwächtem Immunsystem darstellen, etwa für ältere Menschen, immungeschwächte Patienten und Patienten mit chronischen Krankheiten. Daher ist es von großer Bedeutung, einen guten Immunstatus aufrechtzuerhalten, insbesondere nach der Impfung, und weiterhin Maßnahmen zur Epidemieprävention zu ergreifen, wie z. B. das Tragen von Masken, häufiges Händewaschen und die Minimierung von Menschenansammlungen usw., um die Ausbreitung von Delta-Varianten zu verhindern. Daher müssen wir die Bedeutung der Immunität verstehen. Cistanche kann die Immunität erheblich verbessern, da Fleischasche eine Vielzahl biologisch aktiver Komponenten enthält, wie z. B. Polysaccharide, zwei Pilze und Huang Li, die das Immunsystem stimulieren können. Verschiedene Zelltypen erhöhen ihre Immunaktivität.

Klicken Sie auf die Vorteile von Cistanche Tubulosa

Schlüsselwörter:

COVID-19; Delta-Variante; ein Bruchteil des Widerstands; menschliche Mobilität; Pandemie; Pearson-Korrelationsmethode.

1. Einleitung

Im Dezember 2019 wurde in Wuhan, China, ein neues Coronavirus (COVID-19) entdeckt. Anschließend breitete es sich rasch über die ganze Welt aus, führte im August 2022 weltweit zu 6,4 Millionen Todesfällen und löste eine globale Pandemie aus [1,2]. Mittlerweile wurde festgestellt, dass COVID-19 hauptsächlich durch persönliche Interaktionen zwischen Menschen übertragen wird. Daher spielen menschliches Verhalten und menschliche Mobilität eine wichtige Rolle bei der Bestimmung der Ausbreitung des Virus [3,4]. In Ermangelung einer Impfung wurden in vielen Ländern nicht-pharmazeutische Interventionen (NPIs) eingesetzt, um die Ausbreitung der Krankheit einzudämmen. Ein weit verbreiteter NPI war die Reduzierung der menschlichen Mobilität [5–7], die durch die Schließung öffentlicher Räume umgesetzt wurde.

Es wurden viele hervorragende Studien zum Einfluss der menschlichen Mobilität auf die Entwicklung der COVID-19-Pandemie durchgeführt. Frühere Arbeiten lassen sich grob in zwei Kategorien einteilen: Grundlagenstudien und Politikstudien. In vielen Grundlagenstudien versuchen Forscher, Zusammenhänge zwischen Mobilität und der Entwicklung der Pandemie auf Länder-, Kreis- und Point-of-Interest-Ebene (POI) zu finden. Eine solche Studie [8] untersuchte den räumlich-zeitlichen Zusammenhang zwischen Mobilität und Infektionen in US-Bundesstaaten. Die Forscher nutzten Daten mobiler Geräte, um den Mobilitätsfluss innerhalb und in jedem Landkreis zu erfassen, und verglichen Mobilitätstrends mit den COVID{2}}-Fallzahlen mithilfe einer dynamischen Zeitverzerrungsmethode.

Sie fanden heraus, dass der Zusammenhang zwischen Mobilität und Infektionsraten sowohl geografisch als auch zeitlich variiert. In einer ähnlichen Studie [9] wurden Mobilgerätedaten verwendet, um den Zusammenhang zwischen Mobilität und Fallzahlen für US-Bezirke zu ermitteln. Ihre Analyse zeigt einen positiven Zusammenhang zwischen Mobilität und Fallzahlen und legt nahe, dass dieser Zusammenhang in teilweise wiedereröffneten Regionen stärker ist. In [10] bewerteten die Autoren den Zusammenhang zwischen Mobilität und der Anzahl neuer Fälle in verschiedenen portugiesischen Bezirken. Sie fanden heraus, dass die Mobilität in den Bereichen Einzelhandel und Freizeit, Lebensmittelgeschäft und Apotheke sowie POIs an Verkehrsstationen eine höhere Korrelation mit der Fallzahl aufwies als in Parks und am Arbeitsplatz.

Über die Korrelation hinaus erweiterten einige Studien ihre Analyse, um die ursächlichen Faktoren für erhöhte Übertragungsraten zu bewerten. Zum Beispiel Refs. [11,12] analysierten den Einfluss der Temperatur auf die Übertragung von COVID-19. Forscher in [11] verwendeten einen gerichteten azyklischen Graphen (DAG), eine grafische Darstellung der kausalen Effekte, die zu neu gemeldeten Fällen von COVID führen können. -19 Sie fanden einen Temperaturanstieg und eine hohe Mobilität (in Apotheken und Lebensmitteln). , was zu einer geringeren Schreibweise führt. Andererseits führen eine hohe Mobilität (in Einzelhandels- und Freizeit-POIs) und regnerische Tage zu höheren Fallzahlen.

In [12] zeigten ihre geschätzten Ergebnisse, dass Mobilitätsgewohnheiten zusammen mit täglichen Tests und Umgebungsvariablen wie der Temperatur eine Rolle bei der Erklärung der COVID-Fälle-19 spielen. Darüber hinaus konzentrierten sich einige Studien auf die Quantifizierung der Zeitverzögerung zwischen Mobilität und COVID-Fällen, wie in [13]. In dieser Studie kombinierten die Forscher den Mobilitätsindex von 80 Städten in China mit neuen Fallzahlen und verwendeten ein autoregressives Modell, um die Verzögerung abzuschätzen. Als Ergebnis stellten sie fest, dass die Mobilität stark mit Fällen mit einer Verzögerung von 10 Tagen korreliert.

Die zweite Art von Studien konzentrierte sich auf die Politikgestaltung, z. B. das Testen verschiedener Mobilitätsinterventionen, um optimale Mobilitätseinschränkungen zu finden, die die Kosten der Virusausbreitung mit den wirtschaftlichen Kosten im Zusammenhang mit Lockdowns in Einklang bringen, sowie die Implementierung von Vorhersagemodellen zur Beratung politischer Entscheidungsträger. Mehrere Studien [13–16] versuchten zu verstehen, wie sich die Verringerung der Mobilität auf die Ausbreitung von COVID-19-Fällen über verschiedene POIs auswirkt. In [13] verwendeten Forscher Google-Mobilitätsdaten und maßen eine Korrelation mit der effektiven Reproduktionsrate Rt. Diese Studie zeigt, dass das Bleiben zu Hause die Rt effektiv senkt, die Zeit in Parks nur geringe Auswirkungen hat, während die Reduzierung der Mobilität in anderen POIs größere positive Auswirkungen hat. In [15,16] zeigten Forscher, dass eine Mobilitätseinschränkung von bis zu 40 Prozent in Transitbahnhöfen sowie Einzelhandels- und Freizeiteinrichtungen die Zahl der Fälle verringerte und die Kurve offenbar effektiv „abflachte“.

Darüber hinaus refs. [17,18] untersuchten die Auswirkung der Einschränkung der Mobilität auf die Zahl der Fälle und Todesfälle. In [17] fanden Forscher ein konsistentes Muster eines starken Rückgangs der Todesfälle nach eingeschränkter Mobilität. Andere Gruppen implementierten Vorhersagemodelle [19–25], um die Auswirkungen der Mobilitätseinschränkung abzuschätzen und die Anzahl der Fälle und Todesfälle vorherzusagen. Diese Modelle wurden mit unterschiedlichem Komplexitätsgrad implementiert; Beispielsweise fügte [19,20] zusätzliche Variablen hinzu, darunter (in [19]) meteorologische Variablen wie Temperatur, Luftfeuchtigkeit und Niederschlag sowie die Korrelation zwischen Mobilität und COVID{8}}-Fallzahlen. In [20] berücksichtigten die Forscher mehrere Faktoren wie Einkommen, Gesundheitsindikatoren im Zusammenhang mit Asthma, Prozentsatz der Menschen, die zu Hause bleiben, und Testinfrastruktur.

Keine der oben beschriebenen Studien berücksichtigte den Anteil der Bevölkerung mit Resistenzen. Mit fortschreitender Pandemie nahm jedoch der Widerstand der Bevölkerung durch natürliche Immunität und Impfung zu. Viele Studien wurden durchgeführt, um die Wirksamkeit von Impfstoffen entweder im Hinblick auf die Auswirkungen auf die Übertragung oder die Anzahl der Todesfälle zu messen, aber die Auswirkungen der Mobilität werden in diesen Studien typischerweise entweder vernachlässigt (z. B. wurden in den Studien Populationen geimpfter und ungeimpfter Personen mit ähnlicher Mobilität berücksichtigt). Muster) oder als Störvariable behandelt werden. Eine solche Studie [26] verwendete einen Deep-Learning-Ansatz, um die Impfraten und die Zeit bis zum Erreichen der Herdenimmunität auf der Grundlage der Daten aus acht Ländern in Asien zu simulieren (viele nachfolgende Studien haben gezeigt, dass die Herdenimmunität nicht mehr in unserer Reichweite liegt), während [27 ,28] bewertete die Auswirkungen der Impfung auf die Kontrolle der Pandemie (z. B. Reduzierung der Anzahl von Inzidenzen und Todesfällen) mithilfe eines agentenbasierten Modells. Darüber hinaus Ref. [29] bewerteten den Zusammenhang zwischen Impfungen und Sterberaten in den USA mithilfe eines regressionsbasierten Ansatzes und stellten als Ergebnis fest, dass Impfungen dazu beitrugen, die Sterblichkeitsraten in verschiedenen Bundesstaaten der USA zu senken.

Unter Berücksichtigung der Auswirkungen von Impfungen und Mobilität auf die Übertragung, Ref. [30] untersuchten das Impf- und Mobilitätsverhalten bei der Bekämpfung der Pandemie mittels Strukturgleichungsmodellierung; Sie fanden heraus, dass Impfungen die Ausbreitung von COVID verlangsamen-19 in Regionen, in denen die Impfung negativ mit der Mobilität korreliert, und umgekehrt in den Regionen, in denen eine positive Korrelation zwischen Impfung und Mobilität besteht.

Obwohl in der vorherigen Arbeit der Zusammenhang zwischen Mobilität und der Entwicklung der Pandemie untersucht wurde, einschließlich der Auswirkungen von Impfungen wie in [30], wurde die Auswirkung von Bevölkerungsresistenzen (sowohl natürliche Immunität als auch Impfung) auf diesen Zusammenhang nicht berücksichtigt. Daher liegt der Schwerpunkt unserer Studie auf der Analyse des Zusammenhangs zwischen Mobilität und der Übertragung von COVID-19 über verschiedene Points of Interest (POIs) hinweg unter Berücksichtigung der Bevölkerungsresistenz (Impfung – natürliche Immunität (Prozentsatz der Bevölkerung, die sich von COVID erholt hat). -19)) und die Entstehung der Delta-Variante.

Um unser Ziel zu erreichen, werden wir den Datensatz „Our World in Data COVID-19 zur Fallzahl“ zusammen mit dem Google Mobility-Datensatz nutzen. Wir kombinieren diese Datensätze, um die Korrelation zwischen Mobilität und der Geschwindigkeit der Virusausbreitung zu testen und dabei vier zusätzliche Faktoren zu berücksichtigen: Points of Interest (POIs) – einschließlich Einzelhandels- und Freizeiteinrichtungen, Transitstationen, Parks, Lebensmittelgeschäfte und Apotheken sowie Arbeitsplätze; das Aufkommen der Delta-Variante; der Anteil der Bevölkerung, der geimpft wurde; und der Anteil der Bevölkerung mit natürlicher Resistenz (d. h. diejenigen, die sich von einer COVID-19-Infektion erholt haben). Beachten Sie, dass, wenn kein Zusammenhang zwischen Mobilität und COVID{2}}-Fallzahlen besteht, mobilitätseinschränkende Abhilfemaßnahmen kaum Auswirkungen auf die Kontrolle der Ausbreitung des Virus haben werden.

Der Rest dieses Papiers ist wie folgt gegliedert. Abschnitt 2 gibt einen Überblick über den Datensatz und die Datenvorverarbeitung. Abschnitt 3 zeigt unsere Methodik. Die Abschnitte 4 und 5 zeigen die Ergebnisse unserer Analyse sowie eine Diskussion. Abschließend werden in Abschnitt 6 Schlussfolgerungen gezogen.

2. Datensätze

Der erste Schritt der Analyse bestand darin, die Daten zu sammeln und vorzuverarbeiten. Dieser Abschnitt bietet einen Überblick über die Datensätze, die wir für die Studie und unseren Länderauswahlprozess verwendet haben. Unsere Daten wurden aus den drei in Tabelle 1 gezeigten Datensätzen mit einem ausgewählten Zeitraum von Februar 2020 bis Juli 2021 entnommen.

2.1. COVID-19-Datensatz

Our World in Data [31] wird von einer gemeinnützigen Organisation verwaltet, der Tausende von Forschern aus der ganzen Welt angehören. Einer der umfangreichsten Datensätze, die sie während der Pandemie gesammelt haben, ist der COVID-19-Datensatz. Dieser Datensatz erfasst täglich epidemische Messwerte (z. B. neue Fälle, neue Todesfälle, Impfungen usw.) sowie demografische Daten (z. B. Durchschnittsalter) und länderbezogene Kennzahlen (z. B. Index der menschlichen Entwicklung). Es deckt 231 Länder ab und umfasst 60 Variablen. Die Datenerfassung begann im Januar 2020 und bis heute wurde der Datensatz täglich aktualisiert.

2.2. Google-Mobilitätsdatensatz

Google stellt einen öffentlich zugänglichen Mobilitätsdatensatz im Zusammenhang mit der Pandemie zur Verfügung [32], in dem es die täglichen Besucherzahlen zu bestimmten POIs als Mobilitätsrate (MR) misst. Zu den POIs gehören Verkehrsstationen, Lebensmittelgeschäfte und Apotheken, Einzelhandels- und Freizeiteinrichtungen, Arbeitsplätze und Parks. Ihre Messung basiert auf der Berechnung der relativen Veränderung der Besucherzahlen gegenüber dem Ausgangswert vor der Pandemie und deckt 123 Länder ab. Die Datenerhebung begann im Februar 2020 und wird bis heute täglich aktualisiert.

2.3. COVID-19-Varianten

Zusätzlich zum oben beschriebenen COVID-19-Datensatz hat Our World in Data einen COVID-19-Variantendatensatz [33] freigegeben, der von GISAID [34] stammt. Der Datensatz erfasst regelmäßig die Anzahl der sequenzierten Proben, die unter einen bestimmten Variantennamen fallen. Es deckt 110 Länder ab. Die Datenerhebung begann im Mai 2020 und wird bisher alle zwei Wochen aktualisiert.

2.4. Länderauswahl

Während der gesamten Pandemie gab es viele Inkonsistenzen und Unsicherheiten im Zusammenhang mit Tests und der genauen Meldung der Anzahl von COVID{0}}-Fällen in verschiedenen Ländern. Angesichts dieser Unsicherheit haben wir versucht, unsere Studie auf Länder mit relativ zuverlässigen gemeldeten Daten zu beschränken. Unser Auswahlprozess folgte den in Abbildung 1 dargestellten Schritten. Zuerst fanden wir die Schnittländer aus den drei Datensätzen. Um einen ungefähren Eindruck davon zu bekommen, welche Länder einen großen Anteil der Fälle entdeckten, haben wir dann für jedes Land das größte Verhältnis der entdeckten Fälle (Cnew) zur Gesamtbevölkerung (p) ermittelt:

Wenn jedes Land irgendwann während der Pandemie von einer Welle von Fällen heimgesucht wurde, ist es umso wahrscheinlicher, dass das Land Fälle zuverlässig erkennt und meldet, je höher dieses Verhältnis ist. Das heißt, wenn ein Land meldet, dass dieses Verhältnis aufgrund der hohen Übertragbarkeit des Virus nahe Null liegt, ist es wahrscheinlicher, dass es zu wenig zählt, als dass es keine COVID{0}}-Fälle hat. Natürlich gibt es hiervon Ausnahmen; Beispielsweise erzwang Neuseeland zu Beginn der Pandemie drakonische Maßnahmen, um die Ausbreitung zu verhindern und das Virus weitgehend einzudämmen. Anschließend wurden die Länder nach diesem Verhältnis sortiert und die höchsten 50 Verhältnisse als Regionen ausgewählt, in denen COVID-19 wahrscheinlich relativ zuverlässig erkannt und gemeldet wird. Um uns auf die Auswirkungen der Bevölkerungsresistenz zu konzentrieren, haben wir aus diesen 50 Ländern die Länder ausgewählt, die durch Impfung oder Genesung von früheren Infektionen bis Juli 2021 eine Bevölkerungsresistenz von 60 Prozent oder mehr erreicht haben. Damit blieben uns unsere 14 Zielländer (Argentinien, Kanada, Vereinigte Staaten, Vereinigtes Königreich, Italien, Österreich, Irland, Tschechische Republik, Frankreich, Uruguay, Slowenien, Israel, Schweiz und Luxemburg), wie in Abbildung 2 dargestellt.

For more information:1950477648nn@gmail.com