تحرک انسان چگونه بر رشد موارد COVID-19 تأثیر گذاشت؟

13 اسفند 140118 بهمن 1401 از دکتر سمیعی

منبع

این مدل حرکت کلان را در طول قرنطینه ثبت کرد و از آن برای پیش‌بینی میزان عفونت در طول شیوع دلتا و Omicron استفاده کرد. تأثیر تحرک بر میزان عفونت بر اساس شبکه جاده‌ای بین حومه‌های همسایه که به هجوم جمعیت کمک کرده و خطر مربوط به افزایش تعداد موارد از مکان‌های مجاور تعیین شد.

*اطلاعیه مهم

چندین مدل بر اساس داده‌های انتقال SARS-CoV-2 برای پیش‌بینی مؤثر روند آینده توسعه یافته‌اند. به عنوان مثال، یک مدل میانگین متحرک یکپارچه اتورگرسیو (ARIMA) با استفاده از داده‌های 145 کشور توسعه یافت. این مدل الگوی انتشار COVID-19 را بر اساس داده های جمعیت پیش بینی کرد. مدل ARIMA نشان داد که انتقال SARS-CoV-2 می تواند با استفاده از متغیرهایی مانند رطوبت، فرهنگ و آب و هوا پیش بینی شود.

این مطالعه به دو بخش تقسیم شد. در بخش اول، نویسندگان تأثیر تحرک افراد در محله را بر تعداد موارد COVID-19 بررسی کردند. معیار همسایگی با تعداد جاده های مشترک برای تعیین حرکت انسان در حومه شهر مرتبط بود.

در مقابل، در مرحله Omicron، هیچ قفلی اجرا نشد. تنها الزامات اجباری فاصله گذاری اجتماعی، پوشیدن ماسک صورت و محدودیت ظرفیت کسب و کار بود. پوشش واکسیناسیون مضاعف از 77 درصد به تقریبا 79 درصد افزایش یافته است. جای تعجب نیست که تحرک مردم در داخل و در سراسر حومه شهر در این مرحله به طور قابل توجهی بیشتر از فاز دلتا بود.

به طور قابل‌توجهی، چندین عامل زمینه‌ای در دو بازه زمانی انتخابی مطالعه، یعنی در طول گردش دلتا و Omicron تغییر کردند. در طول شیوع دلتا، قرنطینه اجرا شد و مردم می‌توانستند تا شعاع 5 کیلومتری برای اقلام ضروری حرکت کنند. علاوه بر این، برخی مناطق نیز در این مدت منع رفت و آمد شبانه داشتند. پوشش واکسیناسیون از حدود 26 درصد به 43 درصد در منطقه افزایش یافت.

همانطور که در بالا ذکر شد، اکثر دولت ها محدودیت هایی را برای تحرک افراد به منظور محافظت از افراد در برابر ابتلا به COVID-19 اعمال کردند. مطالعات زیادی تأثیر محدودیت های تحرک را از نظر هزینه ها و منافع تأیید نکرده اند. علاوه بر این، تعیین اینکه آیا اجرای سایر عوامل مانند افزایش آگاهی، حمایت اقتصادی، آموزش و غیره به طور جمعی می تواند همه گیری را مهار کند، مهم است.

در مورد مطالعه

تعداد عفونت قبلی تأثیر مثبت و معناداری بر تعداد عفونت فعلی برای هر دو نوع دلتا و Omicron داشت. این مدل پیش‌بینی می‌کند که تعداد آلودگی برای یک حومه در طول نوع دلتا می‌تواند به طور مثبت بر اساس تعداد عفونت‌های گذشته و هجوم از حومه‌های اطراف تعیین شود (معیار همسایگی).

یک مطالعه جدید ارسال شده به medRxiv* سرور پیش چاپ بررسی کرد که چگونه تحرک انسان بر انتقال SARS-CoV-2 بر اساس رویکرد مبتنی بر شبکه و روش های رگرسیون پانل تأثیر می گذارد. نویسندگان به ویژه ویژگی های جمعیت حومه شهر مانند سن، تحصیلات و درآمد را برای تجزیه و تحلیل در نظر گرفتند.

بیماری همه گیر کروناویروس 2019 (COVID-19) که ناشی از سندرم حاد تنفسی ویروس کرونا-2 (SARS-CoV-2) است، باعث تعداد قابل توجهی از بیماری، مرگ و میر و بستری شدن در بیمارستان در سطح جهان شده است. این بیماری همه گیر ادامه دار به شدت بخش های مراقبت های بهداشتی و اقتصاد جهانی را که شاهد بزرگترین رکود اقتصادی از دهه 1930 بود، تحت تاثیر قرار داده است.

زمینه

در بخش دوم این مطالعه، محققان بررسی کردند که سن، تحصیلات و درآمد چگونه بر میزان عفونت در حومه شهرها تأثیر می گذارد. آنها دریافتند که آموزش هیچ اثر تعدیل کننده ای بر میزان عفونت برای هر دو نوع ندارد. در مقابل، سن و درآمد به طور قابل توجهی بر رابطه بین تعداد موارد قبلی و فعلی COVID-19 تأثیر گذاشت.

نتیجه گیری

مطالعه حاضر شامل داده‌های عفونت SARS-CoV-2 برای صد حومه مختلف منطقه سیدنی بزرگ در نیو ساوت ولز، استرالیا بود. برای تعیین آمار عفونت حومه شهر، دو دوره متمایز، یعنی در طول گردش واریانت دلتا و در جریان گردش واریانت Omicron انتخاب شدند. سه ویژگی تعدیل کننده یعنی سن، تحصیلات و درآمد برای تعیین تأثیر آنها بر رابطه بین متغیرهای وابسته و مستقل مدل مطالعه حاضر در نظر گرفته شد.

یافته ها

نوع Omicron عفونی تر از سویه دلتا است. از این رو، تعیین اینکه چگونه معیار همسایگی بر موارد COVID-19 مرتبط با شیوع دلتا و Omicron تأثیر گذاشته است بسیار مهم است. اگرچه مدل رگرسیون پانل اثر ثابت عملکرد پیش‌بینی خوبی را برای نوع دلتا (مقدار R-squared 85.66٪) ارائه کرد، عملکرد آن برای نوع Omicron (مقدار R-squared 52.67٪) آسیب دید.

مدل کلاسیک بهبودی مبتلا به عفونت (SIR) با پارامترهای فازی، مانند نرخ بهبودی، نرخ عفونت و میزان مرگ و میر ناشی از عفونت SARS-CoV-2 اصلاح شد. اگرچه مدل‌های آماری کلاسیک نمی‌توانند عوامل تعیین‌کننده مهمی را در بر گیرند، مدل‌های یادگیری ماشین جایگزین مؤثری برای درک مجموعه داده‌های پیچیده ارائه کردند. مدل مبتنی بر شبکه عصبی مصنوعی (ANN) برای پیش‌بینی الگوی انتقال SARS-CoV-2 توسعه یافته است.