没有合适的资源?快使用搜索试试~ 我知道了~
工程7(2021)914研究公共卫生-文章评估全球旅行和接触限制对缓解COVID-19大流行的影响放大图片作者:Shengjie Laia,Nick W.放大图片创作者:Ruktanonchaia,b,Alessandra Cariolia,Corrine W.放大图片作者:Jessica R.弗洛伊德,杨伟中,张驰,杜祥军,杨伟中,张志华,张志华.塔特姆河aWorldPop,南安普敦大学地理与环境科学学院,南安普敦SO17 1BJ,英国b人口健康科学,弗吉尼亚理工大学,布莱克斯堡,弗吉尼亚州24061,美国c美国田纳西州诺克斯维尔市田纳西大学数学系37996d中山大学公共卫生学院(深圳),深圳510275e中国医学科学院北京协和医学院人口医学与公共卫生学院,中国北京阿提奇莱因福奥文章历史记录:2021年1月7日收到2021年2月1日修订2021年3月23日接受在线预订2021年保留字:COVID-19旅行限制A B S T R A C T为减轻2019冠状病毒病(COVID-19)大流行,全球各地已实施旅行限制及物理距离,但需要进行研究以了解其在不同地区及时间的成效。基于2020年第一波疫情期间135个国家或地区的手机地理位置数据得出的人口流动性指标,我们建立了一个集合人群流行病学模型,以衡量旅行和接触限制对遏制各地区COVID-19疫情的影响。我们发现,如果没有部署这些干预措施,截至2020年5月31日,累计病例数可能会增加97倍(四分位数范围79-116)。然而,它们的有效性取决于干预的时间、持续时间和强度,不同人群、地区和季节的病例严重程度不同。此外,在有效的疫苗广泛使用和实现群体免疫之前,我们的研究结果强调,在干预阶段放松时可能需要一定程度的物理距离,以避免快速复苏和随后的封锁。©2021 THE COUNTORS.Elsevier LTD代表中国工程院出版,高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)中找到。1. 介绍2019冠状病毒病(COVID-19)大流行导致全球公共卫生和经济危机不断演变[1在有效的疫苗广泛用于实现群体免疫之前,医疗和公共卫生界一直依赖非药物干预措施(NPI)来缓解COVID-19大流行[4-6]。各国已通过排除地理上的“热点”和尽量减少感染者与易感人群之间的身体接触,实施旅行和身体距离干预措施这些干预措施旨在抑制这场大流行的高峰,延迟病毒*通讯作者。电子邮件地址:Shengjie. soton.ac.uk(S.莱),nrukt00@vt.edu(N.W.Ruktanonchai),A.J. soton.ac.uk(A.J.Tatem)。实施旅行限制和物理距离措施,以及其他干预措施,例如大规模检测、接触者追踪和个人卫生检查,可能会在2020年上半年大幅降低传播率,并使各国的流行曲线变平[7然而,这些旅行和社交接触限制的全球有效性仍不清楚,因为这些干预措施在不同地区和时间进行的持续时间和强度不同[15,16]。此外,为尽量减少封锁或旅行限制的社会经济影响,放宽这些干预措施的策略对于防止再次发生和额外的封锁也很重要。例如,中国已度过COVID-19的第一波疫情,并解除了于二零二零年一月底至三月初严格实施的旅游限制[17]。然而,过早和突然取消不协调的干预措施可能导致复苏和更早的第二个高峰[18-21],例如欧洲正在发生的快速复苏和第三次一个国家的不受控制的疫情可能会在https://doi.org/10.1016/j.eng.2021.03.0172095-8099/©2021 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表工程杂志首页:www.elsevier.com/locate/engS. 黎氏Ruktanonchai,A.Carioli等人工程7(2021)914915另一个国家[12,22]。然而,很少有研究使用全球旅行和接触减少的定量措施来告知在缺乏疫苗或有效治疗的情况下应如何以及何时实施或取消社交距离措施[18,19]。为了回答这些问题,应衡量和评估各国干预措施和潜在放松策略的有效性,以指导当前和未来的COVID-19或其他大流行病应对措施[23]。来自移动设备的分析和汇总的人员流动数据已越来越多地用于提供整个COVID-19大流行期间人口水平旅行模式和身体接触的近似值[24这些数据通过及时提供有关人类在空间和时间上流动模式变化的信息,有助于改进干预措施[27在此,我们使用人口流动数据来衡量二零二零年第一波COVID-19疫情期间135个国家和地区的实际旅行强度和时间建立了一个集合人群传播模型,以①模拟COVID-19在这些国家的传播,②评估旅行和物理距离干预措施的相对有效性,③检查各种放松策略。还按人口、地区和季节估计了特定年龄的严重和危重COVID-19病例的潜在数量,以帮助指导医疗资源的准备。2. 方法2.1. 移动电话导致的旅行和接触减少从谷歌和百度获得的两个汇总和匿名的人口流动数据集被用于在COVID-19大流行的早期阶段对空间和时间上的旅行和物理距离干预的强度进行近似测量。2.1.1. 谷歌数据Google COVID-19聚合移动研究数据集包含从已打开其位置历史设置的用户聚合的匿名移动流,该设置默认为关闭[31]。这类似于谷歌地图中用来显示某些类型的地方有多繁忙的数据,有助于确定当地企业何时最拥挤。该数据集包含2020年1月5日至5月30日S2单元之间的总人流每个S2单元代表行星表面上的四边形,并允许高效地索引地理数据[32]。该数据集由英国南安普敦大学的研究人员根据数据共享协议的条款进行分析。这种匿名和聚合数据集的产生在以前的研究中已经详细介绍[23,31,33,34]。在研究期间,共有134个国家、地区或中国大陆以外的地区有国内流出数据,其中104个有国际流出数据。然后将每个国家的每周累计流出量除以包含2020年1月5日至5月30日数据的来源S2单元数(每个单元仅计算一次)。这样做是为了说明对于可能已经由丢弃的S2小区的增加的数目引入的任何偏差,以便保护在旅行限制下的旅行者的减少的数目的隐私。为了 在不同国 家和不同 疫情阶 段之间进 行比较 ,用于 控制COVID-19的物理距离干预措施期间的人口流动数据进一步标准化,使用邻近中国大陆的亚洲国家/地区比其他国家更早实施旅行限制和物理距离干预措施,并处于疫情爆发的早期阶段因此,2020年1月26日至5月30日期间七个亚洲国家/地区(中国香港特别行政区、印度、日本、韩国、新加坡、泰国和越南)的国内和国际每周流出量以2020年1月5日至25日三周的平均流量标准化;其余127个国家/地区自2020年2月16日以来的流出量以2020年1月5日至2月2.1.2. 百度数据为掌握COVID-19期间中国不断变化的人口流动模式,我们从百度的位置服务中获取了2020年中国大陆地级市(342个城市)的每日人口流动数据百度每天为使用相关手机应用程序的用户提供超过70亿次定位请求。每个地级市汇总和去识别的每日出入境流量(旅行指数)可在网上公开这些数据已用于了解大流行期间的流动模式[35]和以前的研究[9,27]。为了得出国家层面的流动数据,我们计算了2020年1月5日至5月2日全国各地由于武汉于2.2. 估计有效繁殖数为了解释严重急性呼吸系统综合征冠状病毒2型(SARS-CoV-2)在不同地区的传播性差异,我们计算了在实施旅行和物理距离干预之前,按国家/地区划分的繁殖数量(与一名感染者相关的新感染的平均数量)。然后,这被用来模拟COVID-19的传播,并评估不同地区和时间的各种干预和放松方案2.2.1. 2019冠状病毒病病例数据我们使用了截至2020年5月4日报告日期的国家特定确诊病例每日计数,这些病例由欧洲疾病预防和控制中心系统整理[37]。截至2020年5月2日,中国大陆报告的症状发作日期的病例数来自中国国家卫生委员会[38]和中国疾病预防控制中心的在线资源[39]。根据中国香港特别行政区卫生署卫生防护中心的个案数据,对中国香港和澳门特别行政区的流行曲线进行了[40]和中国澳门特别行政区卫生局[41]。2.2.2. 按报告延迟为了在旅行和物理距离干预措施实施前对COVID-19传播进行参数化,我们按国家或地区估计了实施这些干预措施前的有效繁殖数(Re)。就于报告日期作出的Re估计而言,于模拟COVID-19传播期间,时变参数的任何变动及干预均因潜伏期及报告而延迟。为了减少由于这些延迟而导致的Re估计值的潜在偏倚这导致每个确诊病例的1000个感染样本和发病日期然后S. 黎氏Ruktanonchai,A.Carioli等人工程7(2021)914916联系我们-我们使用在实施旅行和物理距离干预之前从潜在感染日期产生的每日病例计数的调整流行曲线计算Re潜伏期的分布(对数正态分布,平均5.2 d,95%置信区间(CI)4.1-2.2.3. 旅行时间和实际距离干预措施按国家分列的各种国家绩效指标的时间来源于联合国人道主义事务协调厅评估能力项目系统整理的政府措施数据集[44]。该数据集汇集了全球各国政府为应对COVID-19疫情而实施的措施该数据集的收集包括从各种数据来源审查的二级数据,现有信息分为五类:封锁、社交距离、(国际)流动限制、公共卫生措施以及社会和经济措施。由于我们的研究集中在旅行和物理距离干预措施上,我们从每个国家/地区实施封锁、物理距离和(国际)行动限制的最早日期中提取数据将Re值调整为3,以避免对传输的任何潜在高估。附录A中的表S1按国家或地区显示了本研究中最初估计的Re值,并提供了95% CI2.3. 模拟COVID-19传播为评估各种旅行和物理距离干预措施对COVID-19大流行缓解和复苏的有效性,我们使用集合人群流行病学模型(该模型的编码可于https://github.com/wpgp/BEARmod获得)模拟COVID-19在135个国家和地区的传播,时间为2019年12月1日至2020年12月31日的13个月。2.3.1. 模型框架我们使用先前发表的流行病学建模框架(称为易感-暴露-传染-去除(SEIR))模拟COVID-19的传播,在该模型中,每个国家/地区被表示为一个单独的亚群(N),包括其自己的易感(S)、暴露(E)、感染(I)和恢复/清除(R)人群。基于典型的SEIR模型,每个国家内的这些随机感染过程因此近似于以下连续时间确定性模型: dS¼S-c·S·Ið2Þ2.2.4. 估计有效繁殖数我们初步使用一个指数生长法NS·I在之前的研究中描述[45],以估计每个国家/地区旅行限制或封锁前的初始我们考虑了流行曲线中没有旅行和物理距离干预的时期,在此期间,增长是指数级的。在流行病的早期阶段,初始繁殖数与指数增长率有关,用s表示[46]。指数增长率是通过新感染人数的人均变化来衡量的。由于报告的病例数为整数值,因此使用泊松回归估计该参数[47,48]。因此,我们估计繁殖数Re为:R11M- s其中M表示生成时间分布的离散矩生成函数。时间分布的产生通常是从一个人被感染的时间和他或她的感染者的感染时间之间的间隔获得的。由于在我们的研究中无法直接计算世代时间,因此将其替换为从武汉病例数据中得出的Weibull分布(平均值为7,标准差(SD)为3.4 d;各时期恒定)生成的序列间隔[43]。在实施封锁之前,使用统计软件R [46]中的如果无法获得封锁日期,则选择2020年5月2日之前报告的首例病例至最大病例数日期的时间段。为了减少传播有限或病例确定国家的虚假估计的可能性,根据先前的研究[49],我们估计了截至2020年4月28日报告至少500例病例的国家/地区的Re这些国家的Re用于估计第一波大流行中的初始繁殖数量。对于病例数少于500例的国家,我们使用其他国家估计的Re 中 位 数 (2.4,四分位距(IQR)2.0-2.8)。在我们的COVID-19模拟中,对于Re值高于3的国家/地区,我们以d t¼c· N-eEDIdteE-rI4DRdtrI5其中t是特定时刻的数据,c是每个国家的旅行和接触率,e是暴露于病毒但不具有传染性的平均时间的倒数,r表示每天受感染者因康复、死亡或隔离而变得不具有传染性的比率。2.3.2. 模型参数化在我们的模拟中,每天都有感染者以平均速率r康复或被移除,这等于平均感染期的倒数。解释,伯努利试验纳入每个感染者的康复概率为1 e-r.从发病到诊断/报告的时间滞后被用作平均传染周期的代表根据2020年1月23日武汉封城前后武汉确诊病例和中国大陆各县报告的首例病例在干预的第15天之后,我们还在3天的滞后期上额外增加了0.5天,以解释疾病发作前无症状者的潜在传播[51]。此外,该模型通过类似地对每个个体进行伯努利试验暴露个体,每天感染的概率为1- e-e。 为此,e被计算为以下的倒数:S. 黎氏Ruktanonchai,A.Carioli等人工程7(2021)914917≥·你知道吗?的CPI0i;gi;g潜伏期(5.2 d,95% CI 4.1-根据每个国家的传染性个体数量和传染性个体可能导致疾病传播的平均每日接触次数,我们通过从泊松分布中随机抽取每个感染个体,模拟了某个国家在给定日期的暴露个体数,其中每人的平均新感染数为c。随后,这一数字乘以该国易受影响的人口比例。基线日接触率c的计算方法为:使用特定国家的Re除以从发病到首次就诊的平均延迟时间(5.8 d,95% CI 4.3为了说明旅行和联系限制的影响,每日联系率c由每个国家/地区内Google和百度人口流动数据得出的每日旅行和联系的相对水平我们假设没有个体对COVID-19具有现有免疫力,我们没有包括新的易感个体,也没有将康复个体转化为易感个体,因为我们的模拟运行没有延长超过13个月。二零二零年用于建模的相应国家层面人口数据来自联合国。2.3.3. 模拟运行、验证和灵敏度分析我们根据流行病曲线中的至少一例病例,在最早日期(表S1)启动了每个国家/地区的模拟疫情,并根据第2.2.2节中详述的报告延迟进行了调整。考虑到从感染到发病和报告的延迟[52],我们使用2019年12月1日作为中国模拟的初始日期[27]。和以前的研究一样[9,53],每个国家的疫情都是由5名感染者模拟和发起的报告的流行病曲线调整报告延迟进一步比较的模式和流行病曲线估计在这项研究中。我们还进行了一系列敏感性分析,以了解不断变化的流行病学参数对干预效果的估计和不确定性的相对影响。2.4. 估计重症和危重病例根据COVID-19传播模拟的结果首先,我们从2019年12月至2020年3月期间武汉的32583例实验室确诊患者队列中获得了年龄特异性严 重 程 度 风 险 [50] 。 在 所 有 有 数 据 的 确 诊 病 例 中 , 有 一 部 分(22.1%,7139/32325随着年龄的增长,严重程度的风险增加,20岁的4.1%,20-39岁的12.1%,40-59岁的17.4%,百分之二十九点六的60-79岁的人,和41.3%的那些80岁以上为重症或危重症。我们使用武汉按年龄划分的人口计数标准化了这五个使用上述年龄特异性严重程度比例(S武汉;g)和每个年龄组的病例数(I武汉;g,分别为536、5960、12 269、11 934和1884例)g(0-Ci¼XCi;gCi;g 武汉;武汉;武汉在第0天。我们最初发现,五是一个小数字,其中D1/4I0i;g我0公司简介I武汉;gP武汉;g是估计在2020年底,最初以5名和7名感染者开始的模拟运行没有发现显著差异。应该注意的是,由于我们需要足够的天数来开始模拟,以便在每个国家或地区产生疫情,因此本研究中使用的模拟开始日期来自报告的病例数据,仅用于初始化和传播传播。因此,这可能不代表疾病在该国出现并引起当地传播的实际时间。此外,我们使用的报告病例数据没有对本地和输入病例进行分类的信息,我们的模型也没有考虑通过国际人口流动输入病原体。因此,我们的研究结果可能低估了输入性病例造成的本地传播。使用此模型,我们以封锁前的数据得出的参数作为基准情景,模拟COVID-19在每个国家╱地区的传播然后,我们比较了有和没有旅行和物理距离干预措施的情况下COVID-19的传播情况,以评估这些干预措施的影响。我们的方法解释了许多模拟运行(n= 1000)中恢复,暴露和感染的差异,并评估了各种干预方案及其时间的影响和不确定性,以及放松这些措施的影响,以指导未来的应对措施。此外,将旅行和物理距离干预措施之前和之下的疫情估计值与截至2020年6月1日各国和各时间报告的COVID-19病例数进行了比较给定年龄组的严重和危重病例,g,以及国家/地区,i。由于我们没有使用年龄结构传播模型直接模拟每个国家/地区按年龄组划分的COVID-19传播情况,我们使用国家/地区和年龄特定比例(Di;g)估计了按年龄组划分的病例数。这是根据武汉的年龄特异性发病率计算的,并通过武汉(P武汉;g)和研究国家/地区(Pi;g)的年龄组人群计数进行武汉按年龄划分的人口数据来自《武汉统计年鉴2018》[54]。2020年研究国家或地区人口的年龄结构是从高分辨率网格人口计数数据集汇总的(附录表S2)由WorldPop预测[55]。本研究使用R版本3.6.1(R统计计算基金会,奥地利)进行数据整理和分析在本研究中收集和使用二级人口流动数据的伦理审查是由英国南安普敦大学的机构审查委员会批准的(编号:48002)。所有数据均以匿名形式提供和分析,无法访问个人身份信息。3. 结果3.1. 旅行强度和实际距离干预措施根据从谷歌和百度获得的两个匿名和汇总的流动性数据集,由于实施旅行和身体检查,135个研究国家和地区的人口流动性从2020yhttps://population.un.org/wpp/http://www.worldpop.org/project/categories? ID=8i;g防止流行病在最初阶段的随机灭绝,i;gi;gS. 黎氏Ruktanonchai,A.Carioli等人工程7(2021)914918远距离干预。低水平的流动持续到2020年4月(图1)。在2020年3月22日至5月30日的10周内,国内旅行下降至干预前水平的中位数59%(IQR 43%-73%),国际旅行下降至正常水平的26%(IQR 12%-35%)。然而,这些旅行和身体接触减少的时间和强度是不同的。在最初受到COVID-19严重影响的国家,例如意大利、中国和其他亚洲国家或地区,这种下降出现得更早(图1)。然而,与世界其他国家相比,非洲国家的下降发生得较晚,而且幅度较小,剩余旅行和社会接触水平较高(附录A中的图S1)。人口流动性于二零二零年五月逐步恢复,于二零二零年五月三日至三十日的四个星期内,国内旅游恢复至正常水平的中位数69%(IQR 56%至80%),而国际旅游则恢复至35%(IQR15%至47%)(图二)。 1(a)和(c))。3.2. 全球旅行和接触减少我们估计,截至2020年5月31日,在135个研究国家或地区,有1500万(IQR(1100 - 2000万))COVID-19病例正在接受旅行和物理距离干预。这些干预措施似乎有效地抑制了第一波大流行,截至2020年5月31日,这些地区可能预防了4.48亿(IQR(3.65理论上,如果没有这些干预措施,截至2020年5月31日,累计病例数到2020年底,研究地区51%(IQR 43%-60%)的人口已被感染。我们估计,如果旅行和接触限制的水平在2020年6月30日之前保持一致,那么到该日期,总共将预防9.83亿(IQR(8.08 -干预的时机至关重要(图2)。世界卫生组织(WHO)于2020年1月30日宣布COVID-19疫情为国际关注的突发公共卫生事件[1]。我们估计,如果自2020年2月23日(武汉市封锁后一个月)起实施的所有旅行和物理距离干预措施在中国大陆以外的研究区域提前一周、两周或三周实施,则截至2020年5月31日的COVID-19病例数,将分别大幅降低67%(IQR 55%-76%)、87%(IQR 81%-90%)或95%(IQR 92%-96%)(图2(e))。另一方面,如果这些干预措施晚一周、两周或三周实施,到2020年5月底的病例数将分别增加2.5倍(IQR 1.9-3.3)、7.2倍(IQR 5.3-9.3)或16.4倍(IQR 13.2-20.1)。 2(f))。3.3. 各种干预和放松方案的影响与4周的旅行和物理距离干预相比,8周和12周的干预估计可进一步减少25%(IQR 20%-30%)和39%(IQR 32%-30%)的病例Fig. 1.截至2020年5月30日,各国或各地区国内和国际人口流动模式的变化。(a)127个国家或地区内的国内每周流动情况,以2020年1月5日至2月15日的流动情况为参考;(b)8个亚洲国家/地区内的国内人口流动情况(2020年1月23日至5月2日中国大陆内的每日流动情况来自基于百度位置的数据,并以2020年1月23日武汉封城前1月5日至22日的平均出行流量为标准橙色和红色垂直虚线分别表示世界卫生组织(WHO)宣布COVID-19为国际关注的突发公共卫生事件和大流行的日期中位数(红线)和四分位距(粉红色区域)见(a)和(c),意大利、英国和美国的曲线见图。(b)及(d)的曲线分别代表一个国家或地区的相对交通模式S. 黎氏Ruktanonchai,A.Carioli等人工程7(2021)914919图二. 2020年135个国家或地区不同干预情景下的COVID-19疫情曲线估计。(a)在不同时期实施旅行和物理距离干预措施(显示了估计值的中位数和四分位数范围);(b)不同旅行和接触率水平的8周干预措施(在面板(a)和(b)中,如果一个国家或地区的旅行和接触率低于70%,则放宽干预措施后的旅行和接触率假设为爆发前正常水平的70%);(c)取消8周干预措施后的各种旅行和接触率情景;(d)根据截至2020年5月2日的旅行和接触率,截至2020年12月31日的干预措施下的估计流行曲线:14个国家/地区的旅行和接触率高于或等于70%,和121个国家/地区在任何一周的发病率低于70%;(e)在2020年12月31日之前实施干预措施的情景下,在早于实际时间实施干预措施的情况下估计的流行曲线;(f)在2020年12月31日之前实施干预措施的情景下,在晚于实际时间实施干预措施的情况下估计的流行曲线。橙色和红色垂直虚线分别表示世卫组织宣布COVID-19为国际关注的突发公共卫生事件和大流行粉红色垂直线表示每个国家或地区实施封锁/物理距离措施的日期45%),分别为2020年12月31日。然而,如果截至2020年5月2日的旅行和接触水平持续到2020年底,那么截至2020年12月31日,病例数量只会进一步减少40%(IQR 33%-46%)。将该数字与8周干预的估计值进行比较,并在放松干预后将旅行和接触率维持在正常水平的70%(图2(a)和附录A图S2)。如果能够在所有正常旅行和接触率仅为25%的地区实施为期8周的严格干预措施,那么从2020年5月至9月,COVID-19可能会被显著抑制在相对较低的每日新增病例水平(中位数4155,IQR 2555-7364),而不会在2020年10月之前死灰复燃(图10)。 2(b))。我们进一步评估了放松干预措施后各种旅行和接触率的潜在影响。我们发现,放宽干预措施将导致病例数量增加,完全取消旅行和物理距离干预措施将导致COVID-19迅速死灰复燃(图2(c))。如果在放松干预措施后,物理距离强度保持在正常水平的70%或更低,各国可能会大大推迟下一波并降低其峰值。然而,由于各国干预的强度和程度存在异质性,我们估计,在旅行和物理距离干预较弱的国家(旅行和接触水平高于或等于正常水平的70%),到2020年底,可能会有相对较高比例的人群(中位数14%,IQR 11%相比之下,其他采取更密集措施的国家到那时只有0.9%(IQR 0.7%-1.1%)的人口受到感染。这些干预措施的差异将导致全球COVID-19的时空异质性(附录A图S3)。根据我们对COVID-198周旅行和物理距离干预,年龄结构,根据2020年每个国家/地区的人口结构[37],以及武汉报告的确诊COVID-19病例的年龄特异性严重程度风险[29],我们估计截至2020年3月31日,共有90万例(IQR(0. 6-不同人群、不同大洲、不同收入群体和不同季节的严重和危重感染可能存在显著差异(图3[50,55]和附录A图10)。 S4-S6)。我们使用截至2020年6月1日的各地区和各时期报告的病例数验证了我们的模型和输出(图4),并进行了一系列敏感性分析,以帮助更好地了解各种环境下旅行和物理距离干预的有效性(附录A图4)。S7-S11)。一般而言,估计病例数与报道number通过国家或领土重要(p0.001,R2= 0.69),在实施旅行和物理距离干预之前(p0.001,R2=0.83)和之后(p0.001,R2 该esti-本次大流行第一波的拟合流行曲线为也与报告的数据一致(p<0.001,R2= 0.91)(图 4(d))。4. 讨论COVID-19大流行导致全球实施前所未有的旅行限制和物理距离干预措施我们的研究使用从时间和空间明确的移动电话数据中获得的汇总和匿名人口流动数据我们发现,自2020年3月中旬以来,全球人口流动急剧下降,S. 黎氏Ruktanonchai,A.Carioli等人工程7(2021)914920图3.第三章。估计135个国家或地区的严重和危重COVID-19病例(a)按年龄和大洲分列的估计数;(b)按季节和大洲分列的估计数;(c)按每个国家或地区的年龄和收入分类分列的估计数(低收入低于人均1 026美元·a-1;中低收入为人均1 026至3 995美元·a-1;中上收入为人均3 996至12 375美元·a-1;高收入高于人均12 375美元·a-1);(d)按每个国家或地区的这些估计是基于截至2020年5月30日的8周旅行和物理距离干预的情况如果一个国家或地区的旅行和接触率低于疫情爆发前正常水平的70%,则假设在放松干预措施后,这一比率将恢复到70%严重及危重感染的估计初步基于二零二零年各国家╱地区的人口年龄结构[55]及武汉报告的COVID-19确诊病例的年龄特异性严重程度风险[50]。于二零二零年四月处于低位,但于二零二零年五月逐步回升。这些多国、积极和持续的措施发挥了作用,于二零二零年上半年,本集团在抑制及遏制疫情方面发挥了重要作用,并可能预防了大量病例,从而减轻了COVID-19在社区蔓延地区的医疗及公共卫生服务压力。最后,这些早期干预措施可能有助于推迟随后的大流行浪潮,延缓全球准备和应对,并增加了可用于后期阶段的疫苗和治疗药物然而,旅行限制和物理距离措施在减缓COVID-19传播方面的有效性取决于受感染个体与健康个体之间以及高传播率人群与无传播率或低传播率人群之间的接触次数的减少[10]。我们发现,各国物理距离干预的时间和强度并不完全同步;因此,这些策略遏制或缓解COVID-19爆发的能力因此,干预措施的效果在不同地区和季节表现不同,特别是在干预措施不协调的地区和预防和控制能力较弱的低收入国家[56]。旅行和接触限制已经放缓,但尚未完全遏制全球爆发[57],导致许多国家于2020年和2021年持续重新爆发和第二次或第三次封锁。截至2020年4月底,为减少社交距离措施对人类和经济的影响,各国正在逐步实施退出这些干预措施并制定下一个应对措施然而,我们发现,立即取消旅行和物理距离措施使第二波疫情不可避免,这是我们的模拟和报告数据所显示的。在以前的建模工作中也看到了类似的结果[18,19]。此外,限制全球旅行和身体接触的有效性因干预措施的持续时间、身体距离的强度以及放松干预措施后的旅行和接触率而异。在人群中实现对COVID-19的群体免疫力之前,应保持一定程度的物理距离,同时进行早期病例发现、诊断、报告和(自我)隔离,以避免迅速死灰复燃[9]。此外,如果免疫不是永久性的,则可能会发生周期性传播,例如年度周期[19],并且再次需要物理距离干预。我们的研究中有几个局限性应该注意。首先,本研究中使用的手机数据仅限于选择相关产品功能的智能手机用户。这些数据可能不代表整个人口,其代表性可能因地点而异。重要的是,这些有限的数据受到差分隐私算法的影响,旨在保护用户匿名和模糊细节。此外,由于地区之间存在实质性差异,因此跨地区而非地区内的比较只能是描述性的。第二,我们的模型的准确性依赖于准确估计的Re和其他生物学参数来自报告的情况下的数据。由于不同的病例,COVID-19的报告数据和流行病学特征的质量可能因国家/地区而异[58S. 黎氏Ruktanonchai,A.Carioli等人工程7(2021)914921图四、比较135个国家或地区的COVID-19病例估计数和报告数(a)按国家/领土分列的估计数与报告的病例(b)估计数与实施封锁/实际距离措施前报告的病例数;(c)估计数与实施封锁/实际距离措施后报告的病例数;(d)估计数与报告的流行病曲线。此处提供了估计值的中位数和四分位数范围报告的病例数来自欧洲疾病预防控制中心,截至2020年6月1日。为了使估计数据和报告数据之间具有可比性,每日报告病例的时间序列向后移动了6天,以说明从发病到报告的延迟红色垂直虚线表示世卫组织宣布的COVID-19大流行日期粉红色垂直线表示每个国家/地区实施封锁/全国性物理距离措施的日期估计和报告病例数之间的Pearson定义、诊断和监测能力、人口统计和其他因素[61]。第三,我们假设观察到的旅行和接触减少在最大限度地降低COVID-19在空间和时间上的暴露风险方面具有类似的效果。然而,实际距离的影响在人口密度不同的城市和郊区或农村地区之间可能有所不同第四,许多其他因素也可能导致COVID-19的传播、死灰复燃、遏制或缓解。例如,我们的模拟没有具体说明症状前传播的贡献,其他NPI的存在,如使用口罩,洗手,以及社区,家庭和个人层面的其他预防措施[62],或通过国际旅行持续输入病毒的可能性,以及可能在早期COVID-19大流行中发挥有限作用的气候因素的季节性影响[63]。未来的研究有必要揭示旅行限制和社交距离以及其他措施在国家和国际层面以及社区、家庭和个人层面随着时间的推移所产生的影响[15,16]。最后,我们对按年龄划分的重度和危重病例数量的初步估计假设了在武汉观察到的病例严重程度的相似性[64],并且没有考虑个体特征,例如,合并症、接触和混合模式[65],或国家特定的医疗保健能力,这些能力在不同地区之间差异很大,可能影响严重疾病的风险加-从总体上看,重症和危重病例的估计感染率在不同年龄组、大洲、收入组和季节之间存在差异,这表明需要进一步研究以评估社会经济差异和人口异质性对COVID-19的影响,以便针对不同人群和地区定制和调整应对策略病毒不分国界,但我们的社会是如此紧密地联系在一起,以至于一个政府的行动可以产生迅速而深远的全球影响。我们的研究旨在量化旅行和物理距离干预措施的重要指标,表明其在全球范围内的潜在有效性,以改善国际战略,并指导国家,区域和全球未来的应对措施,以优先考虑有限的资源并加强医疗保健能力。各国在预防、检测和应对疫情的能力方面存在很大差异[66],许多低收入和中等收入国家在面临快速传播的传染病(如COVID-19)时可能无法提供足够的医疗保健资源[67]。因此,就目前而言,出行及物理距离措施是减轻COVID-19疫情影响的关键尽管COVID-19疫苗已在许多国家推出,但可能仍需要相当长时间的一定水平的NPI,以防止快速复发和额外的封锁[68,69]。鉴于及时匿名人口流动的机会不断增加,S. 黎氏Ruktanonchai,A.Carioli等人工程7(2021)914922数据支持全球COVID-19缓解[31],存在监测和评估旅行和物理距离干预措施的有效性的潜力,以制定应对未来COVID-19大流行以及其他传染病的策略。致谢作者感谢谷歌和百度分享人口流动数据。这项研究得到了比尔·梅林达·盖茨基金会(OPP 1134076,INV-024911)的资助。尼克·WRuktanonchai由比尔·梅林达·盖茨基金会(OPP1170969)资助。Olivia Prophet由美国国家科学基金会(1816075)资助。Andrew J.Tatem 得 到 了 比 尔 · 梅 林 达 · 盖 茨 基 金 会 ( OPP1106427 、OPP1032350、OPP1134076和OPP1094793)、欧盟地平线基金会(OPP1106427、(MOOD 874850)、克林顿健康获取倡议、英国国际发展部(DFID)和惠康信托基金(106866/Z/15/Z和204613/Z/16/Z)。作者Lai Shengjie设计了这项研究。放大图片作者:Lai Shengjie,NickW.鲁克·塔农猜和奥利维亚·普罗蒂做了这个模型。Shengjie Lai进行了模拟和分析。作者:Alessandra Carioli,Corrine W. Ruktanonchai和Jessica R.弗洛伊德提供技术支持。尼克W. 放大图片作者:John W.Ruktanonchai和Jessica R.弗洛伊德帮助进行数据管理。Alessandra Carioli整理了人口的年龄结构数据。ChiZhang和Xiang-jun Du整理了百度移动聚合数据集。Olivia Prostan、Chi Zhang、Xiangjun Du和Weizhong Yang没有访问本研究中使用的Google数据赖圣杰写了第一稿。放大图片作者:Lai Shengjie,Nick W.放大图片作者:Alessandra Car-ioli,Corrine W.Ruktanonchai,Jessica R. Floyd、Olivia Prostitute、Chi Zhang、Xiangjun Du、Weizhong Yang和Andrew J. Tatem对手稿进行了评论和编辑。遵守道德操守准则放 大 图 片 作 者 : Lai Shengjie , Nick W.Ruktanonchai ,Alessandra Carioli,CorrineW. Ruktanonchai , Jessica R.Floyd 、 Olivia Prostitute 、 ChiZhang、Xiang-jun Du、Weizhong Yang和Andrew J. Tatem声明他们没有利益冲突或财务冲突需要披露。数据和材料的可得性模 型 模 拟 的 代 码 可 在 以 下 GitHub 存 储 库 中 获 得 :https://github.com/wpgp/BEARmod。各国报告的COVID-19病例和干预措施的数据可从材料和方法中列出的数据来源获得。运行模拟和估计严重度的参数和群体数据列于附录A表S1和S2中。从百度获得的人口流动数据可在https://qianxi.baidu.com/网站上公开查阅。用于本研究的Google COVID- 19聚合移动研究数据集经GoogleLLC许可后可供使用。伦理批准南安普敦大学机构审查委员会(编号48002)批准了本研究中收集和使用二级人口流动性数据的伦理审查。所有数据均以匿名形式提供和分析,无法访问个人身份信息。附录A.补充数据本文的补充数据可在https://doi.org/10.1016/j.eng.2021.03.017上找到。引用[1] 2019冠状病毒病(COVID-19)大流行[互联网]。日内瓦:世界卫生组织; 2020年[引用于2020年2月29日]。网址:https
下载后可阅读完整内容,剩余1页未读,立即下载
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![-](https://csdnimg.cn/download_wenku/file_type_lunwen.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)