Mobilitātes ierobežojumu efektivitāte COVID izplatības kontrolēšanai{0}} rezistentos populācijās 2. daļa

3. Metodoloģija

Mēs sadalījām savu metodoloģiju trīs posmos: ikdienas mērījumi, korelācijas un populācijas pretestības diapazoni un delta varianta aplēses. Viss kods ir uzrakstīts no nulles, izmantojot Python.

Delta mutācijas un imunitātes attiecības ir ļoti sarežģītas, jo Delta mutācija ir jauna koronavīrusa mutācija, kas atšķiras no iepriekšējām koronavīrusa mutācijām. Saskaņā ar pašreizējiem pētījumiem Delta variantam ir augstāka infekciozitāte un spēcīgāka patogenitāte, kas nozīmē, ka tas var zināmā mērā ietekmēt imunitāti. Pētījumā konstatēts, ka jaunā koronavīrusa Delta mutācija var vājināt vakcīnas aizsargājošo iedarbību. Saskaņā ar nesen veiktu pētījumu vakcinācijas aizsargājošā iedarbība pret Delta variantu ir nedaudz samazināta. Tas var būt saistīts ar galveno mutāciju Delta variantā, tādējādi vīrusam ir vieglāk izvairīties no imūnās atbildes reakcijas. Turklāt daži pētījumi ir parādījuši, ka Delta variants var inficēt cilvēkus, kuri jau ir inficēti ar vīrusu, vājinot viņu imūnreakciju.

Tomēr, lai gan Delta mutācijai var būt zināma negatīva ietekme uz imunitāti, vakcīnas joprojām ir galvenais līdzeklis, lai novērstu un kontrolētu jaunā koronavīrusa izplatību. Lai gan vakcīna var būt jāatjaunina, lai labāk risinātu Delta varianta un citu variantu parādīšanos, vakcīna joprojām ir ļoti efektīva, lai aizsargātu cilvēkus no nopietnām slimībām un hospitalizācijas. Turklāt ir ļoti svarīgi koncentrēties uz labāku personīgo higiēnu un sociālās distancēšanās pasākumiem, lai mazinātu jaunā koronavīrusa izplatību. No šī viedokļa mums jāpievērš uzmanība savas imunitātes uzlabošanai. Cistanche var uzlabot imunitāti, un gaļā esošie polisaharīdi var regulēt cilvēka imūnsistēmas imūnreakciju, uzlabot imūnsistēmu stresa spēju un stiprināt imūnās šūnas. baktericīda iedarbība.

Click cistanche tubulosa ekstrakta pulveris

3.1. Ikdienas mērījumi

Šajā sadaļā mūsu galvenais mērķis ir aprēķināt šādus ikdienas mainīgos lielumus: mobilitātes līmenis (katram no pieciem POI), gadījumu pieauguma ātrums (GRt j ) un populācijas daļa ar rezistenci (FR), kā parādīts 3. attēls. Mobilitātes ātrumam mēs ņemam vērtības tieši no Google mobilitātes datu kopas. Citi mainīgie lielumi tika aprēķināti šādi.

Lai novērtētu gadījumu skaita pieauguma ātrumu, mēs izmantojam formulu (2) no [21] ar 11-dienas nobīdi starp mobilitātes mērījumiem un gadījumu skaita momentāno laika atvasinājumu, pamatojoties uz optimālajiem nobīdes konstatējumiem [35]. :

Gadījumu pieauguma temps (GRt j ) konkrētai valstij j un noteiktai dienai t tiek aprēķināts kā logaritmiskais izmaiņu ātrums jaunajiem gadījumiem iepriekšējo trīs dienu laikā attiecībā pret jauno gadījumu logaritmisko ātrumu iepriekšējā nedēļā. Šeit c t j ir jauno gadījumu skaits valstī j dienā t.

Lai noteiktu iedzīvotāju daļu ar rezistenci konkrētā valstī noteiktā dienā, mēs apvienojām to cilvēku daļu ar dabisko imunitāti (ti, tos, kuri jau ir saslimuši ar Covid{0}} un atveseļojušies) ar vakcinēto cilvēku daļu. :

kur kopējā to cilvēku daļa, kuriem ir kāda veida rezistence (FRT), ir atkarīga no līdzšinējās gadījumu daļas (FRc), ko aprēķina, kopējo ziņoto gadījumu skaitu (CTot) mērogojot ar reizinātāju (m) katrai valstij, kā parādīts 2. tabulā. Šie reizinātāji m, kas veido nepietiekamu informāciju, tika ņemti no daudziem pētījumiem literatūrā. Šī pieeja paredz, ka dabiskā pretestība nav izbalējusi, kas var būt pieņemams pieņēmums pandēmijas sākumposmā. Ja šī analīze būtu jāatkārto, mēs ieteiktu ierobežot to gadījumu loku, kas izraisa dabisko rezistenci, lai ņemtu vērā faktu, ka a) pandēmija, iespējams, ir pārsniegusi tipisko rezistences ilgumu, par ko liecina milzīgais novēroto atkārtoto inficēšanās gadījumu skaits. pagājušajā gadā, un (b) šķiet, ka Omicron varianti ir īpaši labi, lai izvairītos no mūsu aizsardzības, un atkārtota inficēšanās var notikt diezgan īsā laika posmā. Dabisko rezistenci (FRc) pieskaita vakcinētās populācijas daļai (FRv), ko aprēķina vienādojumā (5). Lai izvairītos no dubultas to cilvēku uzskaitīšanas, kuri ir saslimuši ar COVID-19 un bija arī vakcinēti, FRv mērogs tiek mērīts ar (1–FRc).

3.2. Korelācijas un populācijas pretestības diapazoni

Pēc dienas mainīgo lielumu novērtēšanas mēs apvienojam valstu laika rindas diapazonos, pamatojoties uz FRT. Tā rezultātā katrai valstij ir atšķirīgi periodi, kuros iedzīvotāju procentuālais daudzums ar pretestību ir līdzīgs. Lai to panāktu, mēs sekojām 4. attēlā norādītajam procesam, kur vispirms aplūkojām katru valsti un sadalījām laikrindas periodos, pamatojoties uz kopējo pretestības FRT daļu: mēs atlasām pirmo FRT tvertni, kas atrodas starp {{1} }–10 procenti , otrais no 10–20 procentiem un tā tālāk līdz 60–70 procentiem . Pēc tam katram periodam mēs aprēķinājām korelāciju starp Google mobilitātes rādītāju ar laika nobīdi un gadījumu pieauguma ātrumu (GRt j ) katram POI. Mēs izmantojām Pīrsona korelāciju, kur 1 norāda uz spēcīgu pozitīvu korelāciju, 0 nav korelācijas un −1 ir spēcīga negatīva korelācija.

3.3. Delta varianta aplēses

Lai noteiktu, kā Delta varianta rašanās ietekmē šīs korelācijas, mēs aprēķinājām delta daļu katram FRT periodam un identificējām periodus ar augstu delta daļu un zemu delta daļu (<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∆):

kur (F∆) ir vienāds ar Delta varianta (n∆) sekvencētajiem paraugiem, kas dalīti ar visiem sekvencētajiem paraugiem šajā periodā (nav).

Visbeidzot, mēs apkopojām korelācijas koeficientus visām valstīm un katram POI un FRT periodam; mēs ņemam vērā divas pārraides trajektorijas, no kurām viena ietver tikai datus, kuriem Delta ir < 10 procenti (pirms Delta), un otrā, kas ietver visus datus (pēc Delta).

4. Rezultāti

4.1. Mobilitātes un COVID{2}} gadījumu saistība

Izmērīto korelāciju histogramma starp gadījumu pieauguma tempu un mobilitāti visās 14 valstīs un visiem POI ir parādīta 6. attēlā. Korelācija svārstās no −0.67 līdz 0.66, ar lielāko daļu datu diapazonā [−0.29, 0.28]. Pie šādas precizitātes dati liecina, ka nav reālas korelācijas starp mobilitāti un izaugsmes tempu, ti, vidēji mobilitātes modeļu maiņa neietekmē gadījumu skaitu. Tomēr šī rupjā pieeja maskē iedzīvotāju pretestības ietekmi, kas tiks atklāta nākamajās sadaļās.

4.2. Iedzīvotāju rezistences ietekme uz Covid-19 pārnešanu

Pandēmijai progresējot, palielinās to iedzīvotāju daļa, kuriem ir rezistence pret vīrusu, vakcinējoties vai saslimstot ar COVID{0}} un atveseļojoties. Lai iegūtu priekšstatu par pretestības ietekmi uz augšanas ātruma korelāciju ar mobilitāti, apsveriet šādus divus galējos gadījumus. Naivā populācijā, kurā nevienam nav rezistences pret vīrusu, katrs kontakts ir potenciāli jauna infekcija; šajā scenārijā laika pavadīšana POI, kas palielina iedzīvotāju kontaktu skaitu (piem., tranzīta stacijās), visticamāk, radīs vairāk gadījumu. Tādējādi naivā populācijā mēs sagaidām, ka mobilitāte augsta kontakta POI būs cieši saistīta ar gadījumu pieauguma tempu. Otrā galējībā, ja lielākā daļa iedzīvotāju ir rezistenti pret vīrusu, maz ticams, ka lielākā daļa kontaktu konkrētajā POI izraisīs pārnešanu. Tas liecina, ka ļoti izturīgā populācijā mobilitāte augsta kontakta POI būs tikai vāji korelēta ar augšanas ātrumu, ja vispār.

Lai to pārbaudītu, mēs apkopojām datus, ņemot vērā to populācijas daļu, kurai ir rezistence, FRT (kas tiek aprēķināta gan no vakcinācijas līmeņa, gan iepriekšējām infekcijām, kā aprakstīts iepriekš). Šī vingrinājuma rezultāti attiecībā uz atpūtas un mazumtirdzniecības POI ir parādīti 7. attēlā. Katrs punkts atspoguļo vidējo korelācijas koeficientu (vidēji visās valstīs attiecīgajos periodos) starp COVID{1}} gadījumu pieauguma tempu un mobilitāti. Joslas uztver 75 procentus datu; Ārējās vērtības ir noņemtas, lai izjauktu vizualizāciju un izceltu tendences. Vidējā standarta kļūda ir 0.056, kā parādīts diagrammā pelēkajā apgabalā. Kā gaidīts, ja tikai neliela daļa iedzīvotāju ir rezistenti (aptuveni 0–25 procenti, kā šajā gadījumā parādīts ar oranžajiem punktiem), pastāv skaidra korelācija starp mobilitāti un gadījumu skaita pieauguma tempu, kas liecina, ka piekļuves ierobežošana Atpūtas un mazumtirdzniecības uzņēmumi pandēmijas sākumā var būt noderīgi, lai samazinātu pārnešanas gadījumu skaitu. Tomēr, pieaugot rezistencei populācijā, korelācija starp mobilitāti un gadījumu pieauguma tempu kļūst arvien vājāka.

Līdzīgi grafiki, kas parāda iedzīvotāju pretestības ietekmi uz četriem citiem IP — tranzīta stacijām, darba vietām, pārtikas preču veikaliem un aptiekām un parkiem — ir parādīti 8. attēlā. Visi POI parāda līdzīgas tendences ar skaidru korelāciju starp mobilitāti un gadījumu skaita pieauguma tempu, kad daļa iedzīvotāju ar pretestību ir zema; pieaugot pretestībai, korelācijas nepārtraukti samazinās, kļūstot nenozīmīgas pie dažādām FRT kritiskajām vērtībām.

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) starp mobilitāti un izaugsmes tempu. Tad, FRT pieaugot virs 25 procentiem, korelācija nepārtraukti samazinās; arī darbavietās ir vērojama līdzīga tendence. Pārtikas preču, aptieku un parku gadījumā korelācija nav tik spēcīga kā ar tranzīta stacijām, mazumtirdzniecības, atpūtas vai darba vietām. Kā parādīts 8. attēlā, pastāv skaidra korelācija, ja FRT < 10 procenti. Pēc tam korelācija nozīmē, ka kursors atrodas tuvu nullei, kas liecina, ka mobilitātes ierobežošana dažos gadījumos var būt noderīga, bet citos ne; tas, vai tas tā ir, iespējams, ir atkarīgs no citiem spēkā esošajiem riska mazināšanas faktoriem.

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, ir atzīmēts kā pozitīvi korelēts (oranžs), tāpēc mobilitātes ierobežošana šajā periodā var būt noderīga. No otras puses, korelācija nozīmē, ka tas ir<−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. Ietekme uz mobilitāti ierobežojošām politikām

Visi mūsu dati liecina par skaidru un konsekventu tendenci: naivā populācijā mobilitāte ir saistīta ar gadījumu pieauguma tempu; populācijai iegūstot pretestību, šī korelācija samazinās līdz nullei, kad FRT sasniedz kritisko vērtību. Kad šī FRT kritiskā vērtība ir sasniegta un nav korelācijas starp mobilitāti un augšanas ātrumu (kā tas ir zilajiem punktiem 7. un 8. attēlā), mobilitātes samazināšana, aizverot POI, var maz ietekmēt pārraides ātrumu. Ir vispāratzīts, ka POI slēgšana var radīt nopietnas ekonomiskās un sociālās izmaksas. Tāpēc ir lietderīgi apsvērt, vai kompromiss ir tā vērts. Visi dati, kas parādīti 7. un 8. attēlā, liecina, ka mobilitātes ierobežojumi var būt efektīvi pandēmijas sākumā, bet pakāpeniski zaudē savu spēku, jo populācija iegūst rezistenci vakcinācijas vai atveseļošanās rezultātā, un līdz ar to saikne starp mobilitāti un transmisiju vājinās. Šeit esam izcēluši FRT vērtības (oranžā krāsā), kurām mobilitāti ierobežojošas politikas var pozitīvi ietekmēt Covid izplatības palēnināšanos-19. Tāpat zilais punkts norāda FRT vērtības, kurām maz ticams, ka mobilitātes ierobežojumi būtiski ietekmēs pārraidi.

Šīs zilās un oranžās grupas ir apkopotas 3. tabulā. Dati liecina, ka mazumtirdzniecības un atpūtas vietas, tranzīta stacijas un darba vietas ir tie IP, kas gūst vislielāko labumu no mobilitāti ierobežojošiem pasākumiem un, visticamāk, turpinās gūt labumu arī pēc sākotnējiem posmiem. pandēmijas (ti, līdz FR pieaug virs 25–30 procentiem, kā parādīts 4. tabulā). Mēs domājam, ka tas var rasties tāpēc, ka šiem POI ir kopīgas pamata īpašības, kas atvieglo pārraidi (piemēram, telpās, pārpildīts un salīdzinoši ilgs uzturēšanās laiks).

Otrā POI grupa, kas var gūt labumu no mobilitātes ierobežojumiem pandēmijas sākumā (taču atgriešanās var būt mazāk izteikta pēc sākotnējās stadijas), ir pārtikas preces un aptiekas. Tas atkal parāda skaidru tendenci, ka naivā populācijā (līdz 10 procentiem rezistences) mobilitāte un gadījumu pieauguma tempi ir savstarpēji saistīti; tāpēc piekļuves ierobežošana vai blīvuma kontrole var būt izdevīga. Mēs domājam, ka pārtikas preču veikaliem un aptiekām var klājies labāk nekā mazumtirdzniecībai, atpūtai un darba vietām, jo ​​daži patronu izvēles un izvēles apakškopa samazina uzturēšanās laiku.

Tomēr ir svarīgi atzīmēt, ka šīs kritiskās vērtības visām iepriekš apskatītajām norises vietām ir aprēķinātas vidējās, un konkrētas norises vietas FRT kritiskā vērtība, iespējams, ir atkarīga no IP lieluma, vietējām ietekmes mazināšanas stratēģijām utt. Lai gan šis pētījums nodrošina daži vispārīgi "īkšķa noteikumi", tāpat kā jebkurai politikai, ir svarīgi veikt dziļāku ienirt, lai izprastu vietējos mulsinošos faktorus, lai noteiktu, kurus POI paturēt atvērtus un kurus ierobežot.

Visbeidzot, dati liecina par ļoti nelielu korelāciju starp mobilitāti un pieauguma tempu parkos gandrīz visām FRT vērtībām. Ja FRT > 5–10 procenti, korelācija bija niecīga, kas liecina, ka Covid-19 gadījumā parku turēšana atvērtā veidā, kas nodrošina āra telpu, lai cilvēki varētu socializēties, visticamāk, neizraisīs pastiprinātu transmisiju (un var izrādīties izdevīga, ja viegli pieejamu āra telpu klātbūtne mudina cilvēkus izvākties no daudz caurlaidīgākas vides).

5.2. Delta varianta ietekme uz COVID{2}} pārnešanu

Viens no mūsu pieejas izaicinājumiem ir tāds, ka populācijas daļa ar rezistenci nenotiek kā nejaušināts izlases veids laikā: rezistence palielinās, pandēmijai progresējot. Tas rada iespēju, ka mūsu izmērītās korelācijas nav saistītas ar pretestību, bet gan dažādiem variantiem, kas attīstās pandēmijai progresējot. Periodā, ko mēs uzskatām, šajā pētījumā, dominējošie varianti bija sākotnējie celmi un Delta variants, kas izrādījās gan pārnēsājamāki, gan nāvējošāki nekā sākotnējie celmi. Lai ņemtu vērā Delta rašanos, mēs veicām to pašu analīzi, taču noņēmām visus punktus, kuros Delta veidoja vairāk nekā 10 procentus no atklātajiem gadījumiem. 7. un 8. attēlā nepārtrauktā līnija atbilst šai analīzei, ti, sākotnējie celmi 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. Secinājumi

Šajā pētījumā mēs analizējām mobilitāti ierobežojošu seku mazināšanas pasākumu ietekmi uz rezistentu populāciju, kurā mēs ņēmām vērā divus faktorus: pirmkārt, rezistences ietekmi uz dažādiem interešu punktiem (IP), tostarp tranzīta stacijām, pārtikas preču veikaliem un aptiekām, mazumtirdzniecību un atpūtas vietas, darba vietas un parki; otrkārt, pretestības ietekme pirms un pēc Delta varianta rašanās. Mēs izpētījām 14 valstu grupu ar salīdzinoši uzticamu COVID-19 gadījumu skaitu, kurā mēs sadalījām datus ar to iedzīvotāju daļu, kuriem ir pretestība un Delta variants, izmantojot Pīrsona korelāciju starp mobilitāti un gadījumiem. Mēs noskaidrojām, ka mobilitātes ierobežojumi mazumtirdzniecības un atpūtas vietās, tranzīta stacijās un darbavietās, visticamāk, palīdzēs kontrolēt vīrusa izplatību, jo īpaši, ja iedzīvotāju daļa ar rezistenci ir mazāka par 25–30 procentiem. Dažos gadījumos pārtikas preču veikali un aptiekas var gūt labumu no mobilitātes ierobežojumiem, ja iedzīvotāju daļa ar rezistenci ir mazāka par 10 procentiem. Savukārt parkos mobilitāti ierobežojošiem pasākumiem ir maz priekšrocību.

Viens no šī pētījuma ierobežojumiem ir datu vākšanas nenoteiktība Covid laikā{0}}. Tomēr mēs centāmies risināt šo problēmu, izmantojot valsts atlases aprēķinus, kas aprakstīti 2.4. sadaļā, kur pētījumam izvēlējāmies 14 uzticamākās valstis. No otras puses, šī darba stiprās puses ir tā globālā perspektīva un plašais ieskats. Turklāt, ņemot vērā politiku, šos ieskatus vēlāk var izmantot par visām infekcijas slimībām, kas ir līdzīgas Covid-19, kā aprakstīts 5.1. sadaļā. Zinot, kuri POI vairāk jāierobežo, vienlaikus ņemot vērā rezistences slieksni, var palīdzēt novērst slimības izplatīšanos un glābt dzīvības no agrākiem posmiem.

Turpmākajā darbā mūsu mērķis ir izpētīt iedzīvotāju rezistences ietekmi gan uz mirstības līmeni, gan ICU pacientu skaitu. Turklāt var būt interesanti salīdzināt dažādu rezistences veidu ietekmi (dabiskā rezistence pret vakcīnu pret abu kombināciju). Turklāt, tā kā kļūst pieejami vairāk datu, mikro mēroga analīzes kļūst iespējamas, iekļaujot dažādus rajonus un vietas pilsētās.

Autora ieguldījums:

Metodoloģija, DA un AH; kodēšana un analīze, DA; resursi, DA; datu apkopošana, DA; rakstīšana — oriģinālā projekta sagatavošana, DA un AH; rakstīšana — pārskatīšana un rediģēšana, DA, AH un MN; vizualizācija, DA un AH; uzraudzība, AH un MN Visi autori ir izlasījuši un piekrituši publicētajai manuskripta versijai.

Finansējums:

Šo pētījumu finansēja King Abdulaziz City zinātnes un tehnoloģijas jomā.

Institucionālās pārbaudes padomes paziņojums:

Nav piemērojams.

Informētas piekrišanas paziņojums:

Nav piemērojams.

Paziņojums par datu pieejamību:

Mūsu pasaule datos [31] — Google nodrošina publiski pieejamu mobilitātes datu kopu saistībā ar pandēmiju [32] — Mūsu pasaule datos kopīgoja COVID-19 variantu datu kopu [33].

Interešu konflikti:

Autori paziņo, ka nav interešu konflikta.

Atsauces

1. Li, Q.; Guans, X.; Vu, P.; Vangs, X.; Džou, L.; Tongs, Y.; Ren, R.; Leung, KSM; Lau, EHY; Vongs, Dž. un citi. Jaunās koronavīrusa inficētās pneimonijas agrīna pārnešanas dinamika Uhaņā, Ķīnā. N. Engl. J. Med. 2020, 382, ​​1199–1207. Pieejams tiešsaistē: https://www.researchgate.net/publication/338904336_Early_Transmission_Dynamics_in_Uhan{10}} Ķīna no_Novel_ Coronavirus Infected_Pneumonia (piekļuve 2021. gada 15. augustā).

2. Žu, N.; Džans, D.; Van, V.; Li, X.; Jans, B.; Dziesma, J.; Džao, X.; Huangs, B.; Ši, V.; Lu, R.; un citi. Jauns koronavīruss no pacientiem ar pneimoniju Ķīnā, 2019. N. Engl. J. Med. 2020, 382., 727.–733. [CrossRef] [PubMed]

3. Vesolovskis, A.; Buki, CO; Engø-Monsen, K.; Metcalf, CJE Mobilitātes savienošana ar infekcijas slimībām: mobilo tālruņu datu solījums un ierobežojumi. J. Inficēt. Dis. 2016, 214, S414–S420. [CrossRef] [PubMed]

4. Džans, K.; Saule, K.; Činaci, M.; Pastore y Piontti, A.; Dīns, NE; Rojas, DP; Merlers, S.; Mistrijs, D.; Poleti, P.; Rosi, L.; un citi. Zikas vīrusa izplatība Amerikā. Proc. Natl. Akad. Sci. ASV 2017, 114, E4334–E4343. [CrossRef]

5. Deiviss, Anglija; Kučarskis, AJ; Eggo, RM; Gimma, A.; Edmunds, WJ; Džombarts, T.; O'Reilijs, K.; Endo, A.; Hellevels, Dž.; Lakstīgala, ES; un citi. Nefarmaceitiskās iejaukšanās ietekme uz COVID-19 gadījumiem, nāves gadījumiem un pieprasījumu pēc slimnīcas pakalpojumiem Apvienotajā Karalistē: modelēšanas pētījums. Lancet Public Health 2020, 5, e375–e385. [CrossRef]

6. Flaksmens, S.; Mišra, S.; Gandijs, A.; Unwin, HJT; Mellan, TA; Coupland, H.; Vitekers, C.; Žu, H.; Bera, T.; Ītons, Dž. un citi. Nefarmaceitiskās iejaukšanās ietekmes uz COVID-19 novērtējums Eiropā. Daba 2020, 584., 257.–261. [CrossRef] [PubMed]

7. Lai, S.; Ruktanončai, ZR; Džou, L.; Prosper, O.; Luo, V.; Floids, Dž. Vesolovskis, A.; Santillana, M.; Džans, C.; Du, X.; un citi. Nefarmaceitiskās iejaukšanās ietekme uz Covid-19 ierobežošanu Ķīnā. Daba 2020, 585., 410.–413. [CrossRef]

8. Kvons, H.; Hom, K.; Rifkins, M.; Tjans, B.; Koylu, C. Izpētīt spatiotemporālo neviendabīgumu saistībā starp cilvēka mobilitāti un COVID{1}} izplatību, izmantojot dinamisku laika deformāciju. arXiv 2021, arXiv:2109.13765.

9. Xiong, C.; Hu, S.; Jans, M.; Luo, V.; Džans, L. Mobilo ierīču dati atklāj pozitīvas attiecības starp cilvēka mobilitāti un COVID{1}} infekciju dinamiku. Proc. Natl. Akad. Sci. ASV 2020, 117, 27087–27089. [CrossRef]

10. Casa Nova, A.; Ferreira, P.; Almeida, D.; Dionisio, A.; Kvintino, D. Vai mobilitāte un Covid{1}} ir saistītas? Dinamiskā analīze Portugāles apgabaliem. Entropy 2021, 23, 786. [CrossRef]

11. Šteigers, E.; Mussgnug, T.; Kroll, LE COVID{1}} novērojumu datu cēloņsakarības diagrammas analīze Vācijas apgabalos atklāj noteicošo faktoru ietekmi uz ziņoto gadījumu skaitu. PLoS ONE 2021, 16, e0237277. [CrossRef]

12. Kartenī, A.; Di Frančesko, L.; Martino, M. Kā pārvietošanās paradumi ietekmēja COVID{1}} pandēmijas izplatību: Itālijas gadījuma izpētes rezultāti. Sci. Kopējā vide. 2020, 741, 140489. [CrossRef]

13. Noland, RB Mobility un efektīvais Covid reprodukcijas līmenis-19. J. Transp. Veselība 2021, 20, 101016. [CrossRef] [PubMed]

14. Vīlehovskis, M.; Čehs, K.; Grz ˛eda, Ł. Mobilitātes samazināšanās: sabiedriskais transports Polijā COVID{1}} pandēmijas laikā. Ekonomika 2020, 8, 78. [CrossRef]

15. Ak, Dž.; Lī, HY; Khuong, QL; Markūns, JF; Bullen, C.; Barrios, OEA; Hvangs, SS; Suh, YS; McCool, J.; Kačura, SP; un citi. Mobilitātes ierobežojumi bija saistīti ar COVID{1}} izplatības samazināšanos pandēmijas sākumā: pierādījumi no reāllaika novērtējuma 34 valstīs. Sci. Rep. 2021, 11, 13717. [CrossRef] [PubMed]

16. Agarvals, A.; Alomārs, A.; Sarker, A.; Šahs, D.; Šens, D.; Yang, C. Divi aktuāli jautājumi par COVID-19: vai ekonomikas apturēšana palīdzēja? Vai mēs varam (daļēji) atsākt ekonomiku, neriskējot ar otro vilni? arXiv 2020, arXiv:2005.00072.

17. Nouvellet, P.; Bhatia, S.; Korijs, A.; Ainslijs, KE; Bagulins, M.; Bhats, S.; Boonyasiri, A.; Brazo, NF; Katarīno, L.; Kūpers, LV; un citi. Mobilitātes un COVID{1}} pārnešanas samazināšanās. Nat. Commun. 2021, 12, 1090. [CrossRef]

18. Cabana, Á.; Etčeverrijs, L.; Fariello, MI; Bermolens, P.; Fiori, M. Mobilitātes samazināšanas ietekmes novērtējums COVID otrajā vilnī-19. In Proceedings of the 2021 XLVII Latīņamerikas skaitļošanas konference (CLEI), Vīne, Austrija, 2021. gada 21.–23. aprīlis; 1.–10.lpp.

19. da Silva, TT; Franciskini, R.; Nascimento, MC Meteoroloģiskie un cilvēku mobilitātes dati par COVID{1}} gadījumu prognozēšanu, izmantojot jaunu hibrīda sadalīšanās metodi ar anomāliju noteikšanas analīzi: gadījuma izpēte Brazīlijas galvaspilsētās. Ekspertu sistēma Appl. 2021, 182, 115190. [CrossRef]

20. Bhowmik, T.; Tirta, SD; Iraganaboina, NC; Eluru, N. Visaptveroša COVID{1}} pārnešanas un mirstības līmeņa analīze Amerikas Savienoto Valstu apgabalu līmenī, ņemot vērā sociāli demogrāfiskos datus, veselības rādītājus, mobilitātes tendences un veselības aprūpes infrastruktūras atribūtus. PLoS ONE 2021, 16, e0249133. [CrossRef]

21. Badrs, HS; Du, H.; Māršals, M.; Dongs, E.; Skvairs, MM; Gardner, LM Asociācija starp mobilitātes modeļiem un COVID{1}} pārnešanu ASV: matemātiskās modelēšanas pētījums. Lancet Infect. Dis. 2020, 20, 1247–1254. [CrossRef]

22. Čans, S.; Pīrsons, E.; Koh, PW; Džerardins, Dž.; Redbird, B.; Gruskis, D.; Leskovec, J. COVID mobilitātes tīklu modeļi{1}} izskaidro nevienlīdzību un informē par atsākšanu. Daba 2021, 589, 82–87. [CrossRef]

23. Garsija-Kremadess, S.; Moraless-Garsija, Dž.; Hernandess-Sandžaime, R.; Martiness-Espanja, R.; Bueno-Krespo, A.; Hernandess-Orallo, E.; Lopess-Espins, Dž. Cecilia, JM Covid{8}} evolūcijas prognozēšanas uzlabošana, apvienojot epidemioloģiskos un mobilitātes datus. Sci. Rep. 2021, 11, 15173. [CrossRef] [PubMed]

24. Vejs, Y.; Van, Dž.; Dziesma, V.; Xiu, C.; Ma, L.; Pei, T. COVID izplatība-19 Ķīnā: uz pilsētu balstīta epidēmijas un mobilitātes modeļa analīze. Cities 2021, 110, 103010. [CrossRef] [PubMed]

25. Kuzdeuovs, A.; Baimukaševs, D.; Karabajs, A.; Ibragimovs, B.; Mirzahmetovs, A.; Nurpeiissovs, M.; Lūiss, M.; Varol, HA Tīklā balstīts stohastisko epidēmiju simulators: Covid-19 kontrole ar reģionam specifiskām politikām. IEEE J. Biomed. Veselības inform. 2020, 24, 2743–2754. [CrossRef] [PubMed]

For more information:1950477648nn@gmail.com