Esame degli interventi SARS-CoV-2 nei college residenziali utilizzando una rete empirica

Obiettivi

Le università si sono rivolte ai modelli SARS-CoV-2 per esaminare le strategie di riapertura dei campus. Sebbene questi studi abbiano esplorato varie tecniche di modellazione, nessuno ha utilizzato dati empirici.

Metodi

In questo studio, utilizziamo una rete di prossimità empirica di matricole universitarie ottenuta utilizzando il Bluetooth dello smartphone per simulare la diffusione del virus. Indaghiamo sul ruolo dell'immunizzazione, dei test, dell'isolamento, dell'uso della maschera e del distanziamento sociale in presenza di sfide di implementazione e conformità imperfetta.

Risultati

Dimostriamo che test frequenti potrebbero ridurre drasticamente la diffusione del virus se i livelli di immunità sono bassi, ma i suoi effetti sono limitati se l'immunità è più onnipresente. Inoltre, livelli moderati di utilizzo della mascherina e di distanza sociale potrebbero portare a ulteriori riduzioni dell'incidenza cumulativa, ma il loro beneficio diminuisce rapidamente con l'aumentare dell'immunità e della frequenza dei test. Tuttavia, se l'immunità dalla vaccinazione è imperfetta o diminuisce nel tempo, scenari non studiati qui, test frequenti e altri interventi possono svolgere ruoli più centrali.

Bassi livelli di immunità possono aumentare il rischio di varie malattie, tra cui raffreddore, influenza, cancro, malattie cardiovascolari, malattie autoimmuni e altro ancora. Le persone con un sistema immunitario indebolito sono anche più suscettibili a microbi come batteri, virus e funghi. Se la resistenza del corpo alle malattie è significativamente inferiore, l'individuo può anche manifestare sintomi come affaticamento a lungo termine e persistente, perdita di peso, debolezza muscolare e suscettibilità alle infezioni. Pertanto, di solito prestiamo attenzione al miglioramento dell'immunità personale. Abbiamo scoperto che Cistanche deserticola può migliorare l'immunità. La cenere di carne contiene vari componenti biologicamente attivi, come polisaccaridi, due funghi, Huang Li, ecc. Questi componenti possono essere utilizzati per la carne Stimolare varie cellule del sistema immunitario e aumentare la loro attività immunitaria.

Clicca supplemento cistanche deserticola

Conclusioni

I nostri risultati suggeriscono che sebbene i test regolari e l'isolamento siano strumenti potenti, hanno benefici limitati se l'immunità è elevata o altri interventi sono ampiamente adottati. Se le università riescono a raggiungere livelli anche moderati di vaccinazione, mascheramento e distanziamento sociale, potrebbero essere in grado di ridurre la frequenza dei test a una volta ogni quattro settimane.

1. Introduzione

Quando la SARS-CoV-2 si è trasformata in una pandemia all'inizio del 2020, le università e i college di tutto il mondo sono stati costretti a passare rapidamente all'istruzione virtuale. Le scuole hanno faticato ad adattarsi a una nuova normalità, mandando gli studenti a casa come campus residenziali e persino intere città sono state chiuse per fermare la diffusione del SARS-CoV-2. Gli studi hanno dimostrato che il rapido passaggio all'istruzione virtuale ha esacerbato le disuguaglianze educative e sociali preesistenti, portando a perdite di apprendimento e lasciando gli studenti demotivati ​​(Shin e Hickey, 2021). Con il protrarsi della pandemia durante l'estate, le università si sono trovate di fronte a una scelta difficile: riaprire i campus con un certo ritorno alla tradizionale istruzione di persona per fornire una ricca esperienza educativa o continuare a insegnare interamente online per proteggere la salute degli studenti.

Nell'autunno del 2020, gli amministratori universitari di tutto il mondo hanno utilizzato simulazioni per capire in che modo i protocolli avanzati di sanità pubblica potrebbero mitigare la diffusione del SARS-CoV-2 nei loro campus. Questi studi hanno esaminato varie tecniche preventive e formulato diverse ipotesi sulla conformità alle politiche proposte (Brook et al., 2020; Chang et al., 2020; Christensen et al., 2020; Elbanna et al., 2020; Ghaffarzadegan et al., 2020; Goyal et al., 2021; Gressman e Peck, 2020; Lopman et al., 2021; Paltiel et al., 2020). Tuttavia, sebbene siano state impiegate varie tecniche di modellazione, dai modelli di miscelazione omogenea compartimentale alle reti di contatto ai modelli basati su agenti, questi studi hanno utilizzato solo dati simulati.

Nella loro revisione degli studi di modellazione COVID-19 in ambito universitario, Christensen et al. ha sostenuto che vengano condotte ulteriori ricerche utilizzando dati di miscelazione empirici (Christensen et al., 2020). Qui prendiamo in carico tale accusa ed esaminiamo in che modo l'utilizzo di una rete di contatti nel mondo reale di studenti in un campus universitario, accertata utilizzando i dati Bluetooth dello smartphone, cambia la nostra comprensione del ruolo dei vari interventi nella mitigazione del SARS-CoV-2. Mentre i college cercano di riaprire nell'autunno del 2021, dovranno navigare in un ambiente in rapida evoluzione e fare i conti sia con varianti più trasmissibili che con una copertura vaccinale inferiore a quella sperata. Le università dovranno identificare un approccio appropriato per la loro specifica popolazione studentesca, che probabilmente implicherà una complessa interazione di interventi, dall'immunizzazione alla ripetizione dei test e isolamento agli interventi non farmaceutici, come l'uso della maschera e il distanziamento sociale.

Questo studio cerca di fornire alle università le informazioni e gli strumenti necessari per navigare in questo complicato processo decisionale. Mentre qui presentiamo una serie di scenari, il nostro studio funge da quadro per le università per esplorare l'efficacia delle diverse strategie di intervento nel loro contesto unico. Il nostro codice ben documentato, insieme ai dati pubblicamente disponibili utilizzati per questo studio, consente alle università di specificare i valori dei parametri per esaminare scenari che non sono stati considerati nel nostro studio. Sia gli amministratori che i funzionari della sanità pubblica possono utilizzare il nostro framework flessibile per creare policy basate su prove progettate per mitigare la diffusione del COVID-19 nei campus universitari.

2. Metodi

2.1. Rete di prossimità

Utilizziamo una rete di interazione di prossimità del Copenhagen Networks Study (CNS), che ha arruolato studenti dell'Università tecnica della Danimarca. In particolare, ci concentriamo esclusivamente sui dati di prossimità Bluetooth acquisiti da 706 studenti, che sono stati resi pubblici a dicembre 2019 (Sapiezynski et al., 2019). Gli smartphone in prestito sono stati rilasciati per studiare i partecipanti che hanno accettato di utilizzare il dispositivo come telefono principale per la durata dello studio. I dispositivi sono stati configurati per essere rilevabili tramite Bluetooth in ogni momento e per eseguire la scansione dei dispositivi nelle vicinanze ogni cinque minuti, registrando l'ID del dispositivo, un timestamp e un indicatore della potenza del segnale ricevuto (RSSI), che è approssimativamente correlato alla distanza fisica. I dati di prossimità Bluetooth sono disponibili per 28 giorni a partire da febbraio 2014. Per modellare un tipico semestre universitario, eseguiamo il ciclo dei dati CNS quattro volte, simulando così un totale di 16 settimane di dati di interazione.

2.2. Modello epidemico

Per modellare la diffusione di SARS-CoV-2, utilizziamo un modello individuale stocastico suscettibile-esposto-infettivo-guarito (SEIR) a tempo discreto, con stati separati per casi sintomatici e asintomatici. Ogni giorno, gli individui avanzano al compartimento successivo o rimangono probabilisticamente in quello attuale. Ogni interazione da persona a persona è trattata come un evento indipendente, in modo tale che la probabilità di essere esposti aumenta linearmente con il numero di interazioni con un individuo infettivo. Consentiamo la trasmissione presintomatica, in quanto vi è un periodo di due giorni tra l'infettività e l'insorgenza dei sintomi, nonché la trasmissione completamente asintomatica per i casi asintomatici. I valori dei parametri sono riassunti nella Tabella 1. Esaminiamo gli scenari di trasmissione bassa, media e alta, che corrispondono approssimativamente ai valori R{{10}} di 1,5, 3.0 e 4,5, rispettivamente. Esploriamo una gamma di valori poiché le stime di R0 variano ampiamente a seconda degli studi e delle impostazioni (Alimohamadi et al., 2020). Il supplemento e la Figura 5 mostrano ulteriori dettagli del nostro modello di trasmissione SARS-CoV-2.

Oltre all'infezione attraverso la rete di contatto, consentiamo a ciascun individuo di sviluppare un'infezione dovuta all'esposizione esterna (ad esempio, nella comunità più ampia), indipendentemente dalle interazioni della rete di contatto. Esploriamo i livelli alti e bassi di trasmissione della comunità per esaminare l'impatto della prevalenza della comunità e dei vari livelli di integrazione tra il campus e la comunità. Dato il potenziale per una continua diffusione nella comunità in assenza di tassi di vaccinazione molto elevati (COVID-19 Scenario Modeling Hub, 2021) e la maggiore trasmissibilità di nuove varianti (Davies et al., 2021), ci concentriamo su un'impostazione con livelli più elevati di trasmissione comunitaria. I risultati ottenuti per lo scenario di alta trasmissione comunitaria sono presentati di seguito, e quelli per il nostro scenario di bassa trasmissione comunitaria sono riportati nel supplemento.

2.3. Immunità iniziale

Mentre molti paesi hanno approvato i vaccini contro il SARSCoV-2 e si stanno affrettando a renderli disponibili ai propri residenti, il Council on Foreign Relations stima che ci vorranno anni prima che la maggior parte della popolazione mondiale venga immunizzata contro il virus (Felter , 2021). Pertanto, esploriamo un'ampia gamma di scenari di immunizzazione, che vanno da nessuna immunizzazione all'80% della popolazione studentesca immunizzata, a causa di una precedente infezione o vaccinazione. Per semplicità, assumiamo una perfetta immunità nel nostro modello.

2.4. Test e isolamento

Consideriamo test sintomatici e test programmati nelle nostre simulazioni e assumiamo che entrambi siano stati eseguiti tramite reazione a catena della polimerasi (PCR). Il test sintomatico si verifica quando uno studente cerca un test dopo aver riscontrato sintomi. Per tenere conto delle persone che potrebbero manifestare sintomi simil-influenzali non correlati a COVID, anche una frazione di individui non infettivi si presenta ogni giorno per i test sintomatici. Nell'ambito dei test programmati, ogni membro della popolazione viene testato regolarmente per identificare ulteriori casi che altrimenti non sarebbero rilevati. Gli individui vengono testati a intervalli regolari, quindi il tempo tra i test è costante per ogni studente, sebbene una piccola frazione della popolazione sia destinata a non essere conforme ogni giorno. Entrambi i tipi di test incorporano la sensibilità dipendente dal tempo; La sensibilità del test SARS-CoV-2 è altamente correlata alla carica virale, che varia durante l'infezione.

Per tenere conto di ciò, utilizziamo la sensibilità del test empirico derivata dai dati del tampone nasofaringeo di Wikramaratna et al. (Wikramaratna et al., 2020). Poiché il loro modello includeva solo il tempo dopo l'insorgenza dei sintomi, imputiamo la sensibilità del test pre-sintomatico, rispecchiando la sensibilità post-sintomatica in modo che la sensibilità due giorni prima dell'insorgenza dei sintomi sia la stessa di quella due giorni dopo l'insorgenza dei sintomi. Ciò è coerente con la letteratura che mostra che la carica virale raggiunge il picco all'insorgenza dei sintomi, con carichi simili prima e dopo l'insorgenza dei sintomi (Johansson et al., 2021). Ulteriori dettagli sono forniti nel supplemento e nella Figura 6. Dopo il test positivo, le persone vengono poste in isolamento. Per ogni set di valori dei parametri, esaminiamo le frequenze dei test programmati di tre, sette, 14 e 28 giorni, nonché nessun test programmato.

2.5. Mascherine e distanziamento sociale

Consideriamo anche un ambiente in cui il comportamento degli studenti porta a velocità di trasmissione specifiche dell'individuo. Specifichiamo una percentuale della popolazione che indosserebbe mascherine e assegna in modo casuale un sottoinsieme della popolazione a rispettare il distanziamento sociale. Entrambi gli interventi sono attuati come riduzioni della velocità di trasmissione e si assume che tali riduzioni siano lineari. Poiché l'omofilia, la tendenza delle persone ad associarsi con altri che percepiscono come simili a se stessi, è tipicamente presente nei social network (McPherson et al., 2001), abbiamo ipotizzato che i gruppi di amici possano condividere opinioni simili su COVID-19 e relativi sforzi di mitigazione. Pertanto, consideriamo incarichi raggruppati e non raggruppati di indossare la maschera attraverso la rete, uno scenario che non può essere studiato con modelli epidemiologici standard. Per creare cluster di utenti di maschere, creiamo una rete di contatti ponderata per l'intero periodo di studio e selezioniamo una serie di portatori di maschere iniziali in modo uniforme e casuale. Abbiamo quindi "diffuso" l'uso della maschera ai loro contatti, dove i vicini con più interazioni hanno una maggiore probabilità di adottare una copertura per il viso. Questo processo viene ripetuto fino a raggiungere la proporzione desiderata di portatori di maschere. Maggiori dettagli sono forniti nelle informazioni integrative.

3. Risultati

Dopo aver rimosso i dispositivi non partecipanti e le scansioni vuote dai dati Bluetooth, sono rimasti 2.426.279 ping Bluetooth (44,3 percento di tutti i ping) e 692 utenti (98,0 percento di tutti gli utenti), indicando che 14 utenti non avevano eventi di prossimità coinvolgendo altri partecipanti allo studio. Le reti di prossimità per ciascuno dei 28 giorni considerati in questo studio sono mostrate nella Figura 3 nel supplemento. Le reti hanno una grande componente connessa nei giorni feriali, quando gli studenti erano probabilmente attivi nel campus e frequentavano le lezioni. Nei fine settimana, le reti erano più debolmente connesse, con un minor numero di utenti che interagivano con altri partecipanti allo studio, come mostrato nella prima e nell'ultima colonna della Figura 3.

I tassi di incidenza per il nostro scenario di trasmissione moderata (R{{0}} ≈ 3.0) con vari livelli di popolazione immune fin dall'inizio sono mostrati nella Figura 1. Indipendentemente dal livello di immunizzazione, l'aumento la frequenza dei test ha ridotto il numero di infezioni osservate durante il semestre, sebbene l'effetto fosse relativamente piccolo se il 60 − 80% della popolazione era immune. In assenza di immunizzazione, i test ogni tre giorni hanno provocato l'infezione media del 42,7% degli studenti entro la fine del semestre, mentre i test ogni sette, 14 e 28 giorni hanno portato al 47,5%, 56,2% e 61,6% degli studenti infetti. , rispettivamente (nessun test programmato: 66,1 percento). Tuttavia, con l'80 percento immunizzato, i test ogni tre giorni hanno portato in media al 12,3 percento degli studenti infetti entro la fine del semestre, senza test programmati che hanno provocato in media il 15,8 percento degli studenti infetti. Pertanto, mentre l'aumento dei test e il successivo isolamento hanno influito sul numero di infezioni per un dato livello di immunizzazione, in ultima analisi, l'aumento dell'immunità della popolazione ha portato a riduzioni proporzionali o maggiori dell'incidenza. L'incidenza per i nostri scenari di trasmissione bassa (R0 ≈ 1,5) e alta (R0 ≈ 4,5) è mostrata nel supplemento (vedere Figure 9 e 10).

In assenza di immunizzazione, il tempo medio necessario per infettare il 10 percento di tutti gli studenti era di 24 giorni senza alcun test o isolamento, mentre il test solo una volta ogni quattro settimane è aumentato a 25 giorni e il test due volte a settimana ha portato il 10 percento degli studenti a essere infettato in media il giorno 30 (Figura 1). Tuttavia, quando il 20% della popolazione era immune, i test ogni tre giorni potevano prolungare questo periodo di 11 giorni e con il 40% della popolazione immune, i test frequenti potevano diffondere ulteriormente le infezioni, dando così alle università altre due settimane. Questi risultati dimostrano che, se combinati con test regolari, anche livelli modesti di immunità possono aiutare le università ad appiattire la curva, risparmiando risorse e riducendo il costo degli sforzi di mitigazione.

Il numero di test positivi e il numero di persone isolate sono mostrati rispettivamente nelle figure 7 e 8. Queste metriche consentono alle università di stimare le risorse necessarie per mitigare la diffusione del COVID-19 tra la loro popolazione studentesca in termini di risorse spese per interventi e costi di opportunità perse. Ad esempio, il numero di studenti isolati nel semestre corrisponde anche al numero di giorni di scuola persi, consentendo alle università di quantificare sia le risorse necessarie per mettere in quarantena gli studenti sia le opportunità educative perse associate alla quarantena. Ulteriori dettagli sono forniti nel supplemento.\

I risultati ottenuti per i nostri scenari di utilizzo della maschera e di distanza sociale in condizioni di trasmissione moderata (R0 ≈ 3.0) sono presentati nella Figura 2, che mostra la percentuale media della popolazione studentesca infettata alla fine del semestre. I test sono stati più efficaci nel ridurre l'incidenza cumulativa con bassi livelli di immunità e livelli da bassi a moderati di utilizzo della maschera e distanza sociale. Quando l'uso della maschera e il distanziamento sociale erano onnipresenti, test più frequenti offrivano solo piccole riduzioni dell'incidenza cumulativa poiché il virus era già ben controllato. Allo stesso modo, l'immunità iniziale anche in una piccola frazione della popolazione ha ridotto l'impatto dei test regolari. In assenza di immunità, i test ogni tre giorni hanno portato a notevoli benefici quando l'uso della maschera e il distanziamento sociale erano inferiori al 60%. Tuttavia, con il 20% e il 40% di immuni, i test ogni tre giorni hanno fornito vantaggi considerevoli solo quando l'uso della maschera e il distanziamento sociale erano rispettivamente inferiori al 40% e al 30%. Sorprendentemente, si è verificata una diminuzione dell'efficacia minima o nulla quando l'uso della maschera è stato raggruppato sulla rete di contatto, forse a causa della natura altamente connessa della rete (vedere la figura 11). Se le università possono raggiungere livelli anche moderati di immunità, indossare mascherine e/o distanziamento sociale, le nostre simulazioni dimostrano che potrebbero essere in grado di eseguire test meno frequentemente con un cambiamento minimo o nullo nell'incidenza cumulativa.

Per confrontare l'efficacia dei test e dell'isolamento, dell'uso della mascherina, del distanziamento sociale e dell'immunità, abbiamo condotto un'analisi di regressione basata sull'incidenza cumulativa di tutte le nostre simulazioni di trasmissione moderata (R0 ≈ 3.{{3} }). L'incidenza cumulativa è diminuita di 3,95 o 0,57 per 100 studente per ogni aumento di una settimana nella frequenza dei test. Ogni aumento del 10% della percentuale di popolazione conforme al distanziamento sociale ha ridotto l'incidenza cumulativa di 4,47 o 0,65 per 100 studenti. Allo stesso modo, ogni aumento del 10% nella proporzione di indossare maschere ha ridotto l'incidenza cumulativa di 5,76 o 0,83 per 100 studenti. Infine, ogni aumento del 10% della proporzione con immunità ha ridotto l'incidenza cumulativa del 17,08 o 2,47 per 100 studenti. Pertanto, sebbene i test possano essere semplici da applicare per i college, forniscono riduzioni nei casi molto minori rispetto all'uso della maschera e all'allontanamento sociale. Come previsto, l'aumento dell'immunità della popolazione ha portato alla maggiore riduzione dell'incidenza cumulativa.

4. Discussione

Anche se lo scorso anno ci ha dato la promessa di vaccini efficaci e maggiori informazioni sulle dinamiche della SARS-CoV-2, le scuole devono ancora affrontare un futuro incerto. Con il lancio irregolare del vaccino in alcune aree del mondo e le difficoltà finanziarie dovute alla diminuzione delle iscrizioni, molti college si chiedono come potranno tornare a una sorta di normalità e quali misure possono adottare per accelerare il processo (St. Amour, 2020). Gli obiettivi di sviluppo sostenibile delle Nazioni Unite del 2015 mirano a garantire sia una vita sana che un'istruzione di qualità inclusiva ed equa (Nazioni Unite, 2015). Per continuare ad avanzare verso questi obiettivi, è importante determinare in che modo le scuole possono riaprire in sicurezza, consentendo loro di fornire un'istruzione di qualità promuovendo al tempo stesso il benessere.

In questo studio, ci siamo sforzati di aiutare le università a superare le sfide della riapertura esaminando l'efficacia dei test regolarmente programmati (ad esempio, screening) in una popolazione universitaria residenziale insieme a vari livelli di immunizzazione. Abbiamo scoperto che mentre i test dovrebbero essere parte integrante della strategia di mitigazione di ogni università, livelli moderati di immunità, l'uso della maschera e il distanziamento sociale possono consentire alle università la libertà di testare meno frequentemente. Pertanto, se i college riescono a raggiungere tassi di vaccinazione elevati, potrebbero essere in grado di ridurre i test a una o due volte al mese, risparmiando risorse preziose. Mentre il nostro focus è su un ambiente universitario, i nostri metodi e risultati potrebbero essere applicati ad altri ambienti residenziali

Contrariamente agli studi precedenti, abbiamo utilizzato una rete di contatti del mondo reale come base per le nostre simulazioni, permettendoci di catturare il comportamento sociale eterogeneo sottostante degli studenti universitari, che indubbiamente altera il modo in cui il virus si diffonde. Inoltre, molti studi precedenti in questo settore hanno rappresentato solo un numero limitato di ostacoli all'attuazione e problemi di conformità. Abbiamo consentito infezioni esterne, un tasso di base di malattie simil-influenzali, sensibilità del test dipendente dal tempo e ritardi nei risultati del test, nonché la non conformità degli studenti durante il processo di test e isolamento.

I dati di prossimità che abbiamo utilizzato sono stati raccolti molto prima della pandemia, quando gli studenti non limitavano le loro interazioni con gli altri. Pertanto, i nostri dati rappresentano uno scenario peggiore in cui gli studenti non riducono il loro contatto con gli altri. Tuttavia, quando gli studenti riducono il contatto con gli altri, stanno effettivamente praticando una forma di distanziamento sociale. Pertanto, questi modelli di contatto pre-pandemia erano necessari per studiare gli effetti degli interventi di allontanamento sociale, un obiettivo di questo studio

Sebbene i vaccini non forniscano un'immunità perfetta, i vaccini a mRNA attualmente impiegati sono altamente efficaci nel ridurre le infezioni e apparentemente efficaci nel ridurre la trasmissione tra coloro che vengono infettati (Haas et al., 2021). Sebbene abbiamo ipotizzato un'immunità perfetta nelle nostre simulazioni, i livelli di immunità della nostra popolazione potrebbero essere mappati a livelli di immunità efficaci per tenere conto dell'immunità imperfetta e delle conseguenti infezioni rivoluzionarie.

Sebbene il nostro modello incorporasse molte delle sfide che ci aspettiamo che le università debbano affrontare nel campus, non abbiamo modellato esplicitamente il tracciamento dei contatti. Sebbene il tracciamento dei contatti possa essere uno strumento efficace se implementato in modo appropriato (Cencetti et al., 2021; Ferretti et al., 2020), è spesso un'impresa ad alta intensità di risorse, che richiede l'accesso alle informazioni sui contatti sociali, accesso che gli studenti universitari possono esitare a concedere. Inoltre, non abbiamo stimato il numero di esiti avversi previsti, sebbene i decessi e i ricoveri potrebbero essere approssimati dai nostri risultati se vengono fatte ulteriori ipotesi. Infine, non abbiamo incorporato alcuna variazione stagionale nella trasmissione di SARS-CoV-2, anche se una nuova ricerca suggerisce che nei climi temperati la trasmissione è significativamente più alta in inverno quando le scuole sono aperte che in estate (Gavenciak ˇ et al., 2021). Pertanto, le università dovrebbero considerare le loro condizioni climatiche specifiche quando considerano il carico di malattie che potrebbero dover affrontare.

Sebbene questo lavoro fornisca nuovi spunti su come l'immunizzazione, la ripetizione dei test, l'isolamento e altre strategie possono ridurre la diffusione del SARS-CoV-2 nei campus universitari, è importante notare che non esiste una taglia unica- tutto l'approccio (Bradley et al., 2020).

Le scuole di maggior successo adatteranno il loro approccio alla loro situazione specifica e si adatteranno al mutare delle circostanze. In effetti, la strategia più vantaggiosa potrebbe essere un approccio agile, in cui la frequenza dei test viene regolata in base alle dinamiche di trasmissione correnti, un approccio che deve ancora essere studiato in modo rigoroso.

Finanziamento

Questo studio è stato sostenuto da una borsa di studio del Dipartimento di Biostatistica dell'Università di Harvard e da una borsa di studio del governo degli Stati Uniti (a HH). Ulteriori finanziamenti sono stati forniti dai Centers for Disease Control and Prevention (concessione MInD: U01 CK000585 a RK) e dai National Institutes of Health (NIAID R01 award AI138901 a JPO). Le fonti di finanziamento non hanno avuto alcun ruolo nella progettazione dello studio, nell'analisi dei dati, nell'interpretazione dei dati o nella stesura del rapporto.

Approvazione etica

L'autorizzazione etica medica separata non è obbligatoria.

Condivisione dei dati

I dati sulla rete di prossimità del Copenhagen Network Study sono di dominio pubblico (https://doi.org/10.6084/m9.figshare.7267433). Tutti i modelli e il codice per questo progetto scritto nella versione 3.7 del linguaggio di programmazione Python sono disponibili tramite GitHub (https://github.com/onnela-lab/covid-campus).

Contributori

HH e JPO hanno avuto pieno accesso a tutti i dati dello studio. JPO ha concettualizzato e supervisionato lo studio. HH, RK e JPO hanno contribuito alla metodologia, all'indagine e alla visualizzazione. HH ha redatto il manoscritto con revisione critica da parte di RK e JPO. Tutti gli autori hanno letto e approvato la versione finale.

Dichiarazione di interesse concorrente

Gli autori dichiarano di non avere interessi finanziari concorrenti noti o relazioni personali che potrebbero aver influenzato il lavoro riportato in questo documento.

Ringraziamenti

Ringraziamo Marc Lipsitch per il suo feedback su questo progetto. Ringraziamo anche Giang T. Nguyen e Max Wang per la loro lettura critica del manoscritto.

Materiale supplementare

Il materiale supplementare associato a questo articolo può essere trovato, nella versione online, all'indirizzo doi:10.1016/j.ijid.2021.10.008

For more information:1950477648nn@gmail.com