Učinkovitost ograničenja mobilnosti u kontroli širenja COVID-19 u otpornoj populaciji, 2. dio

3. Metodologija

Podijelili smo našu metodologiju u tri koraka: dnevna mjerenja, korelacije i rasponi otpornosti stanovništva i procjene Delta varijante. Sav kod je napisan od nule koristeći Python.

Odnos između Delta mutacije i imuniteta je vrlo složen jer je Delta mutacija nova mutacija koronavirusa, koja se razlikuje od prethodnih mutacija koronavirusa. Prema dosadašnjim istraživanjima, Delta varijanta ima veću infektivnost i jaču patogenost, što znači da može imati određeni uticaj na imunitet. Studija je pokazala da Delta mutacija novog korona virusa može oslabiti zaštitni učinak vakcine. Prema nedavnoj studiji, zaštitni efekat vakcinacije protiv Delta varijante je donekle smanjen. Ovo može biti povezano s ključnom mutacijom u varijanti Delta, što olakšava virusu da izbjegne imunološki odgovor. Osim toga, neke studije su pokazale da Delta varijanta može zaraziti ljude koji su već bili zaraženi virusom, slabeći njihov imunološki odgovor.

Međutim, iako Delta mutacija može imati određeni negativan utjecaj na imunitet, cjepiva su i dalje ključno sredstvo za sprječavanje i kontrolu širenja novog koronavirusa. Iako će vakcinu možda trebati ažurirati kako bi se bolje nosila s pojavom Delta varijante i drugih varijanti, vakcina ostaje vrlo efikasna u zaštiti ljudi od ozbiljne bolesti i hospitalizacije. Osim toga, vrlo je važno fokusirati se na bolju ličnu higijenu i mjere socijalnog distanciranja kako bi se smanjilo širenje novog koronavirusa. Sa ove tačke gledišta, moramo obratiti pažnju na poboljšanje našeg imuniteta. Cistanche može poboljšati imunitet, a polisaharidi u mesu mogu regulisati imuni odgovor ljudskog imunološkog sistema, poboljšati stresnu sposobnost imunoloških ćelija i ojačati imunološke ćelije. baktericidno dejstvo.

Click cistanche tubulosa ekstrakt u prahu

3.1. Daily Measurements

U ovom odeljku, naš glavni cilj je da izračunamo sledeće dnevne varijable: stopu mobilnosti (za svaku od pet POI), stopu rasta (GRt j ) slučajeva i deo populacije sa otporom (FR), kao što je prikazano u Slika 3. Za stopu mobilnosti uzimamo vrijednosti direktno iz skupa podataka Google Mobility. Ostale varijable su izračunate na sljedeći način.

Da bismo procijenili stopu rasta slučajeva, primjenjujemo formulu (2) iz [21] sa 11-dnevnim kašnjenjem između mjerenja mobilnosti i trenutnim vremenskim izvodom broja slučajeva na osnovu nalaza optimalnog kašnjenja u [35] :

Stopa rasta slučajeva (GRt j ) za određenu zemlju j i dati dan t izračunava se kao logaritamska stopa promjene za nove slučajeve u prethodna tri dana u odnosu na logaritamsku stopu novih slučajeva tokom prethodne sedmice. Ovdje je c t j broj novih slučajeva u zemlji j na dan t.

Da bismo procijenili udio populacije s otpornošću za određenu zemlju u datom danu, kombinirali smo dio ljudi sa prirodnim imunitetom (tj. onih koji su već zaraženi COVID-19 i oporavili se) sa udjelom vakcinisanih ljudi :

gdje ukupan udio ljudi s nekim oblikom otpora (FRT) ovisi o udjelu slučajeva (FRc) do danas, koji se procjenjuje skaliranjem ukupnog broja prijavljenih slučajeva (CTot) pomoću množitelja (m) za svaku zemlju, kao što je prikazano u Tabeli 2. Ovi množitelji m, koji uzimaju u obzir nedovoljno izvještavanje, uzeti su iz brojnih studija u literaturi. Ovaj pristup pretpostavlja da prirodni otpor nije izblijedio, što može biti prihvatljiva pretpostavka u početnim fazama pandemije. Ako bi se ova analiza ponovila, preporučili bismo da se ograniči raspon slučajeva koji dovode do prirodne rezistencije kako bi se uzela u obzir činjenica da je (a) pandemija vjerovatno nadjačala tipično trajanje rezistencije, o čemu svjedoči ogroman broj uočenih ponovnih infekcija u prošloj godini, i (b) čini se da su Omicron varijante posebno dobre u izbjegavanju naše odbrane i ponovna infekcija može doći u prilično kratkim vremenskim razmjerima. Frakcija sa prirodnom rezistencijom (FRc) dodaje se frakciji populacije koja je vakcinisana (FRv), što je procenjeno u jednačini (5). Kako bi se izbjeglo dvostruko računanje ljudi koji su oboljeli od COVID-19 i koji su također bili vakcinisani, FRv se mjeri sa (1-FRc).

3.2. Korelacije i rasponi otpornosti stanovništva

Nakon procene dnevnih varijabli, binemo vremenske serije zemalja u raspone na osnovu FRT-a. To rezultira različitim periodima za svaku zemlju u kojima je postotak stanovništva sa otporom sličan. Da bismo to postigli, slijedili smo proces na slici 4, gdje smo prvo razmotrili svaku od zemalja i podijelili vremensku seriju na periode na osnovu ukupnog udjela otpora FRT: odabiremo prvi spremnik FRT-a koji leži između {{1} }–10 posto, drugi između 10–20 posto, i tako dalje do 60–70 posto. Zatim smo za svaki period izračunali korelaciju između Google rezultata mobilnosti sa vremenskim kašnjenjem i stope rasta slučajeva (GRt j ) za svaki od POI. Koristili smo Pearsonovu korelaciju, gdje 1 označava jaku pozitivnu korelaciju, 0 nema korelaciju, a −1 jaku negativnu korelaciju.

3.3. Delta Variant Estimates

Da bismo utvrdili kako pojava Delta varijante utiče na ove korelacije, izračunali smo udio Delte za svaki period FRT i identifikovali periode sa visokim udjelima Delta i niskim frakcijama Delta (<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∆):

gdje je (F∆) jednak sekvenciranim uzorcima Delta varijante (n∆) podijeljenim sa svim sekvenciranim uzorcima tokom tog perioda (ne).

Konačno, agregirali smo koeficijente korelacije za sve zemlje i svaki od POI i FRT perioda; razmatramo dvije putanje prijenosa, jednu koja uključuje samo podatke za koje je Delta < 10 posto (Pre-Delta) i drugu koja uključuje sve podatke (post-Delta).

4. Rezultati

4.1. Korelacija između mobilnosti i slučajeva COVID-19

Histogram izmjerenih korelacija između stope rasta slučajeva i mobilnosti u svih 14 zemalja i za sve POI prikazan je na slici 6. Korelacija se kreće od −0.67 do 0.66, sa većinom podataka u opsegu [−0.29, 0.28]. U ovoj granularnosti, podaci sugeriraju da ne postoji stvarna korelacija između mobilnosti i stope rasta, odnosno, u prosjeku, modificiranje obrazaca mobilnosti ne utiče na broj slučajeva. Međutim, ovaj grubo-zrnati pristup maskira efekat otpora stanovništva, koji će biti otkriven u narednim odeljcima.

4.2. Utjecaj otpornosti stanovništva na prenošenje COVID-19

Kako pandemija napreduje, udio populacije otporne na virus raste ili putem vakcinacije ili zarazom COVID-19 i oporavljanjem. Da biste stekli uvid u uticaj otpora na korelaciju stope rasta i mobilnosti, razmotrite sledeća dva ekstremna slučaja. U naivnoj populaciji u kojoj niko nema otpor prema virusu, svaki kontakt predstavlja potencijalno novu infekciju; u ovom scenariju, provođenje vremena u POI koje povećava broj kontakata u populaciji (npr. tranzitne stanice) će vjerovatno dovesti do više slučajeva. Stoga, u naivnoj populaciji, očekujemo da će mobilnost u visokokontaktnim POI biti u snažnoj korelaciji sa stopom rasta slučajeva. S druge strane, ako je većina populacije otporna na virus, malo je vjerovatno da će većina kontakata u određenoj POI dovesti do prijenosa. Ovo sugerira da će u jako otpornoj populaciji mobilnost u visokokontaktnim POI biti samo u slaboj korelaciji sa stopom rasta, ako uopće postoji.

Da bismo ovo testirali, spojili smo podatke prema frakciji populacije sa rezistencijom, FRT (koji se procjenjuje i na osnovu stope vakcinacije i prethodnih infekcija kao što je gore opisano). Rezultati ove vježbe za rekreacijske i maloprodajne interesne točke prikazani su na slici 7. Svaka tačka predstavlja srednji koeficijent korelacije (prosječan u svim zemljama tokom relevantnih perioda) između stope rasta slučajeva COVID-19 i mobilnosti. Trake obuhvataju 75 posto podataka; odstupanja su uklonjeni kako bi se smanjila vizualizacija i istakli trendovi. Standardna greška u srednjoj vrijednosti je 0.056, kao što je prikazano sivim područjem na dijagramu. Kao što se i očekivalo, kada je samo mali dio populacije otporan (otprilike 0–25 posto, kao što pokazuju narandžaste tačke u ovom slučaju), postoji jasna korelacija između mobilnosti i stope rasta slučajeva, što sugerira da ograničavanje pristupa objekti za rekreaciju i maloprodaju u ranoj fazi pandemije mogu biti od koristi u smanjenju broja prijenosa. Međutim, kako otpor u populaciji raste, korelacija između mobilnosti i stope rasta slučajeva postaje sukcesivno slabija.

Slični grafikoni koji pokazuju učinak otpora stanovništva na četiri druga POI – tranzitne stanice, radna mjesta, namirnice i apoteke i parkovi – prikazani su na Slici 8. Sve POI pokazuju slične trendove s jasnim korelacijama između mobilnosti i stope rasta slučajeva kada frakcija stanovništva sa otporom je nizak; kako otpor raste, korelacije se stalno smanjuju, postajući zanemarljive pri različitim kritičnim vrijednostima FRT.

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) između mobilnosti i stope rasta. Zatim, kako se FRT povećava iznad 25 posto, korelacija se stalno smanjuje; radna mjesta također pokazuju sličan trend. Za namirnice i apoteke i parkove korelacija nije tako jaka kao kod tranzitnih stanica, maloprodaje, rekreacije ili radnih mjesta. Kao što je prikazano na slici 8, postoji jasna korelacija kada je FRT < 10 procenata. Nakon toga, korelacija znači da lebdi blizu nule, što sugerira da ograničavanje mobilnosti može biti od pomoći u nekim slučajevima, a ne u drugim; da li je to slučaj ili ne zavisi od drugih faktora ublažavanja koji postoje.

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, označeno je kao pozitivno korelirano (narandžasto), stoga ograničavanje mobilnosti tokom tog perioda može biti od pomoći. S druge strane, korelacija znači da jesu<−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. Diskusija

5.1. Implikacije za politike ograničavanja mobilnosti

Svi naši podaci pokazuju jasan i dosljedan trend: u naivnoj populaciji mobilnost je u korelaciji sa stopom rasta slučajeva; kako stanovništvo dobija otpor, ova korelacija opada na nulu kada FRT dostigne kritičnu vrijednost. Jednom kada se postigne ova kritična vrijednost FRT-a i ne postoji korelacija između mobilnosti i stope rasta (kao što je slučaj sa plavim tačkama na slikama 7 i 8), smanjenje mobilnosti zatvaranjem POI može imati mali utjecaj na brzinu prijenosa. Dobro je utvrđeno da zatvaranje POI može izazvati ozbiljne ekonomske i socijalne troškove. Stoga je korisna vježba razmotriti da li je kompromis vrijedan toga. Svi podaci prikazani na slikama 7 i 8 sugeriraju da ograničenja mobilnosti mogu biti efikasna u ranoj fazi pandemije, ali postupno gube svoju moć kako populacija dobiva otpor vakcinacijom ili oporavkom i, posljedično, veza između mobilnosti i prijenosa slabi. Ovdje smo istakli vrijednosti FRT-a (narandžastom bojom) za koje pravila koja ograničavaju mobilnost mogu imati pozitivan utjecaj na usporavanje širenja COVID-a-19. Slično, plava tačka označava vrijednosti FRT-a za koje je malo vjerovatno da će ograničenja mobilnosti imati značajan utjecaj na prijenos.

Ove plave i narandžaste grupe su sažete u tabeli 3. Podaci ukazuju na to da su maloprodajna i rekreativna mesta, tranzitne stanice i radna mesta tačke interesa koje će imati najviše koristi od mera ograničavanja mobilnosti i koje će verovatno nastaviti da imaju koristi nakon početnih faza pandemije (tj. dok FR ne poraste iznad 25–30 procenata kao što je prikazano u tabeli 4). Nagađamo da se ovo može dogoditi jer ove POI dijele zajedničke osnovne karakteristike koje olakšavaju prijenos (npr. u zatvorenom prostoru, gužva i relativno dugo vrijeme boravka).

Druga grupa POI koje bi mogle imati koristi od ograničenja mobilnosti u ranoj fazi pandemije (ali povratak može biti manje izražen nakon početnih faza) su namirnice i apoteke. Ovo opet pokazuje jasan trend da su u naivnoj populaciji (do 10 posto otpornih) mobilnost i stopa rasta slučajeva u korelaciji; stoga ograničavanje pristupa ili kontrola gustine može biti od koristi. Nagađamo da bi namirnice i apoteke mogle biti bolje od maloprodaje i rekreacije i radnih mjesta jer neka podskupina "idi i biraj" korisnika skraćuje vrijeme boravka.

Međutim, važno je napomenuti da su ove kritične vrijednosti—za sva mjesta o kojima se raspravljalo—u prosjeku, a kritična vrijednost FRT-a određenog mjesta vjerovatno ovisi o veličini POI-a, lokalnim strategijama ublažavanja, itd. Iako ova studija pruža neka opća "pravila od palca", kao i kod svake politike, važno je dublje zaroniti kako biste razumjeli lokalne zbunjujuće faktore kako biste odredili koje točke interesa zadržati otvorene, a koje ograničiti.

Konačno, podaci pokazuju vrlo malu korelaciju između mobilnosti i stope rasta u parkovima za gotovo sve vrijednosti FRT. Za FRT > 5–10 posto, korelacija je bila zanemarljiva, što ukazuje na to da za COVID-19, držanje parkova otvorenim, koji pruža otvoreni prostor za druženje ljudi, nije vjerovatno da će dovesti do povećanog prijenosa (i može se pokazati korisnim ako prisutnost lako dostupnih vanjskih prostora podstiče ljude da se isele iz više prenosivih okruženja).

5.2. Utjecaj Delta varijante na prenošenje COVID-19

Jedan od izazova s ​​našim pristupom je da se dio populacije s otporom ne pojavljuje kao randomizirani uzorak u vremenu: otpor raste kako pandemija napreduje. Ovo uvodi mogućnost da korelacije koje mjerimo nisu rezultat otpora, već zbog različitih varijanti koje se razvijaju kako pandemija napreduje. Tokom perioda, koji smatramo u ovoj studiji, dominantne varijante bile su početni(i) soj(i) i Delta varijanta, koje su se pokazale kao transmisivnije i smrtonosnije od originalnih sojeva. Da bismo objasnili pojavu Delte, izvršili smo istu analizu, ali smo uklonili sve tačke u kojima je Delta činila više od 10 posto otkrivenih slučajeva. Na slikama 7 i 8 puna linija odgovara ovoj analizi, tj. originalnim sojevima bez Delta (<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. Zaključci

U ovoj studiji analizirali smo uticaj mjera ublažavanja ograničenja mobilnosti na otpornu populaciju u kojoj smo uzeli u obzir dva faktora: prvo, učinak otpora za različite točke interesa (POI), uključujući tranzitne stanice, namirnice i ljekarne, maloprodaju i mjesta za rekreaciju, radna mjesta i parkovi; drugo, efekat otpora pre i posle pojave Delta varijante. Proučavali smo grupu od 14 zemalja s relativno pouzdanim brojem slučajeva COVID-19 – u kojima smo sabrali podatke prema udjelu populacije s otpornošću i prisustvom Delta varijante – koristeći Pearsonovu korelaciju između mobilnosti i slučajeva. Otkrili smo da će ograničenja mobilnosti na maloprodajnim i rekreacijskim mjestima, tranzitnim stanicama i radnim mjestima najvjerovatnije biti korisna u kontroli širenja virusa, posebno ako je udio populacije s otporom ispod 25-30 posto. U nekim slučajevima, prehrambene namirnice i ljekarne mogu imati koristi od ograničenja mobilnosti ako je udio populacije s otporom ispod 10 posto. Dok u parkovima, mjere za ograničavanje mobilnosti su male prednosti.

Jedno od ograničenja ove studije su nesigurnosti u prikupljanju podataka tokom COVID-19. Međutim, potrudili smo se da riješimo ovaj problem koristeći proračun za odabir zemlje opisan u odjeljku 2.4, gdje smo odabrali 14 najpouzdanijih zemalja za studiju. S druge strane, prednosti ovog rada su njegova globalna perspektiva i široki uvid. Nadalje, kao implikacije na politiku, ovi se uvidi kasnije mogu koristiti za sve zarazne bolesti slične COVID-19, kao što je objašnjeno u odjeljku 5.1. Znati koje POI treba više ograničiti uz razmatranje praga otpornosti može pomoći u sprječavanju širenja bolesti i spašavanju života iz ranijih faza.

U budućem radu, cilj nam je da proučimo uticaj otpornosti stanovništva na stopu smrtnosti i na broj pacijenata na intenzivnoj nezi. Osim toga, može biti interesantno uporediti učinak različitih tipova rezistencije (prirodna rezistencija naspram vakcine nasuprot kombinacije ova dva). Osim toga, kako sve više podataka postaje dostupno, mikro-analize postaju izvodljive kada se uključuju različite četvrti i mjesta unutar gradova.

Doprinosi autora:

Metodologija, DA i AH; kodiranje i analiza, DA; resursi, DA; kustos podataka, DA; pisanje—priprema originalnog nacrta, DA i AH; pisanje—pregled i uređivanje, DA, AH i MN; vizualizacija, DA i AH; nadzor, AH i MN Svi autori su pročitali i složili se sa objavljenom verzijom rukopisa.

finansiranje:

Ovo istraživanje je finansirao grad kralja Abdulaziza za nauku i tehnologiju.

Izjava institucionalnog odbora za reviziju:

Nije primjenjivo.

Izjava o informiranom pristanku:

Nije primjenjivo.

Izjava o dostupnosti podataka:

Naš svijet u podacima [31]—Google pruža javno dostupan skup podataka o mobilnosti koji se odnosi na pandemiju [32]—Naš svijet u podacima dijeli skup podataka COVID-19 varijanti [33].

Sukobi interesa:

Autori izjavljuju da nema sukoba interesa.

Reference

1. Li, Q.; Guan, X.; Wu, P.; Wang, X.; Zhou, L.; Tong, Y.; Ren, R.; Leung, KSM; Lau, EHY; Wong, JY; et al. Rana dinamika prijenosa u Wuhanu, Kina, nove pneumonije zaražene koronavirusom. N. Engl. J. Med. 2020, 382, ​​1199–1207. Dostupno na mreži: https://www.researchgate.net/publication/338904336_Early_Transmission_Dynamics_u_Wuhan_ Kina_upala pluća_nove_ zaražene korona virusom{15} (pristupljeno 15. avgusta 2021.).

2. Zhu, N.; Zhang, D.; Wang, W.; Li, X.; Yang, B.; Song, J.; Zhao, X.; Huang, B.; Shi, W.; Lu, R.; et al. Novi koronavirus kod pacijenata sa upalom pluća u Kini, 2019. N. Engl. J. Med. 2020, 382, ​​727–733. [CrossRef] [PubMed]

3. Wesolowski, A.; Buckee, CO; Engø-Monsen, K.; Metcalf, CJE Povezivanje mobilnosti sa zaraznim bolestima: obećanje i ograničenja mobilnih podataka. 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. Širenje Zika virusa u Americi. Proc. Natl. Akad. Sci. SAD 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. Efekti nefarmaceutskih intervencija na slučajeve COVID-19, smrti i potražnju za bolničkim uslugama u UK: studija modeliranja. 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. Procjena efekata nefarmaceutskih intervencija na COVID-19 u Evropi. Nature 2020, 584, 257–261. [CrossRef] [PubMed]

7. Lai, S.; Ruktanonchai, NW; Zhou, L.; Prosper, O.; Luo, W.; Floyd, JR; Wesolowski, A.; Santillana, M.; Zhang, C.; Du, X.; et al. Učinak nefarmaceutskih intervencija na suzbijanje COVID-19 u Kini. Nature 2020, 585, 410–413. [CrossRef]

8. Kwon, H.; Hom, K.; Rifkin, M.; Tian, ​​B.; Koylu, C. Istraživanje prostorno-vremenske heterogenosti u odnosu između ljudske mobilnosti i prevalencije COVID-19 koristeći dinamičko iskrivljenje vremena. arXiv 2021, arXiv:2109.13765.

9. Xiong, C.; Hu, S.; Yang, M.; Luo, W.; Zhang, L. Podaci mobilnih uređaja otkrivaju dinamiku pozitivnog odnosa između ljudske mobilnosti i COVID-19 infekcija. Proc. Natl. Akad. Sci. USA 2020, 117, 27087–27089. [CrossRef]

10. Casa Nova, A.; Ferreira, P.; Almeida, D.; Dionísio, A.; Quintino, D. Jesu li mobilnost i COVID-19 povezani? Dinamička analiza za portugalske okruge. Entropija 2021, 23, 786. [CrossRef]

11. Steiger, E.; Mussgnug, T.; Kroll, LE Analiza uzročnog grafa opservacijskih podataka COVID-19 u njemačkim okruzima otkriva efekte determinirajućih faktora na prijavljeni broj slučajeva. PLOS ONE 2021, 16, e0237277. [CrossRef]

12. Cartenì, A.; Di Francesco, L.; Martino, M. Kako su navike kretanja utjecale na širenje pandemije COVID-19: Rezultati italijanske studije slučaja. Sci. Total Environ. 2020, 741, 140489. [CrossRef]

13. Noland, RB Mobilnost i efektivna stopa reprodukcije COVID-19. J. Transp. Health 2021, 20, 101016. [CrossRef] [PubMed]

14. Wielechowski, M.; Čeh, K.; Grz ˛eda, Ł. Smanjenje mobilnosti: javni prijevoz u Poljskoj u vrijeme pandemije COVID-19. Ekonomije 2020, 8, 78. [CrossRef]

15. Oh, J.; Lee, HY; Khuong, QL; Markuns, JF; Bullen, C.; Barrios, OEA; Hwang, SS; Suh, YS; McCool, J.; Kachur, SP; et al. Ograničenja mobilnosti povezana su sa smanjenjem incidencije COVID-19 na početku pandemije: dokazi iz evaluacije u realnom vremenu u 34 zemlje. Sci. Rep. 2021, 11, 13717. [CrossRef] [PubMed]

16. Agarwal, A.; Alomar, A.; Sarker, A.; Shah, D.; Shen, D.; Yang, C. Dva goruća pitanja o COVID-19: Da li je gašenje privrede pomoglo? Možemo li (djelimično) ponovo otvoriti ekonomiju bez rizika od drugog talasa? 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. Smanjenje mobilnosti i prijenosa COVID-19. Nat. Commun. 2021, 12, 1090. [CrossRef]

18. Cabana, Á.; Etcheverry, L.; Fariello, MI; Bermolen, P.; Fiori, M. Procjena uticaja smanjenja mobilnosti u drugom talasu COVID-a-19. U Proceedings of the 2021 XLVII Latin American Computing Conference (CLEI), Beč, Austrija, 21.–23. april 2021.; str. 1–10.

19. da Silva, TT; Francisquini, R.; Nascimento, MC Meteorološki podaci i podaci o ljudskoj mobilnosti o predviđanju slučajeva COVID-19 novom hibridnom metodom dekompozicije sa analizom detekcije anomalija: studija slučaja u glavnim gradovima Brazila. Expert Syst. Appl. 2021, 182, 115190. [CrossRef]

20. Bhowmik, T.; Tirtha, SD; Iraganaboina, NC; Eluru, N. Sveobuhvatna analiza stope prijenosa COVID-19 i mortaliteta na nivou okruga u Sjedinjenim Državama s obzirom na socio-demografiju, zdravstvene pokazatelje, trendove mobilnosti i atribute zdravstvene infrastrukture. PLoS ONE 2021, 16, e0249133. [CrossRef]

21. Badr, HS; Du, H.; Marshall, M.; Dong, E.; Squire, MM; Gardner, LM Povezanost između obrazaca mobilnosti i prenošenja COVID-19 u SAD-u: Studija matematičkog modeliranja. Lancet Infect. Dis. 2020, 20, 1247–1254. [CrossRef]

22. Chang, S.; Pierson, E.; Koh, PW; Gerardin, J.; Redbird, B.; Grusky, D.; Leskovec, J. Modeli mreže mobilnosti COVID-19 objašnjavaju nejednakosti i informiraju o ponovnom otvaranju. Nature 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 Poboljšanje predviđanja evolucije COVID-19 spajanjem epidemioloških podataka i podataka o mobilnosti. Sci. Rep. 2021, 11, 15173. [CrossRef] [PubMed]

24. Wei, Y.; Wang, J.; Song, W.; Xiu, C.; Ma, L.; Pei, T. Širenje COVID-19 u Kini: Analiza iz modela epidemije i mobilnosti u gradu. Gradovi 2021, 110, 103010. [CrossRef] [PubMed]

25. Kuzdeuov, A.; Baimukashev, D.; Karabay, A.; Ibragimov, B.; Mirzakhmetov, A.; Nurpeiissov, M.; Lewis, M.; Varol, HA Mrežni stohastički simulator epidemije: Kontrola kovida-19 s politikama specifičnim za regiju. IEEE J. Biomed. Health Inform. 2020, 24, 2743–2754. [CrossRef] [PubMed]

For more information:1950477648nn@gmail.com