L'efficacia delle limitazioni alla mobilità nel controllo della diffusione del COVID-19 in una popolazione resistente, parte 2

3. Metodologia

Abbiamo suddiviso la nostra metodologia in tre passaggi: misurazioni giornaliere, correlazioni e intervalli di resistenza della popolazione e stime della variante delta. Tutto il codice è stato scritto da zero usando Python.

La relazione tra mutazione Delta e immunità è molto complicata perché la mutazione Delta è una nuova mutazione del coronavirus, che è diversa dalle precedenti mutazioni del coronavirus. Secondo la ricerca attuale, la variante Delta ha una maggiore infettività e una maggiore patogenicità, il che significa che può avere un certo impatto sull'immunità. Lo studio ha scoperto che la mutazione Delta del nuovo coronavirus potrebbe indebolire l'effetto protettivo del vaccino. Secondo uno studio recente, l'effetto protettivo della vaccinazione contro la variante Delta è in qualche modo ridotto. Ciò potrebbe essere correlato a una mutazione chiave nella variante Delta, che rende più facile per il virus eludere la risposta immunitaria. Inoltre, alcuni studi hanno dimostrato che la variante Delta può infettare persone che sono già state infettate dal virus, indebolendo la loro risposta immunitaria.

Tuttavia, sebbene la mutazione Delta possa avere un certo impatto negativo sull'immunità, i vaccini sono ancora un mezzo chiave per prevenire e controllare la diffusione del nuovo coronavirus. Anche se potrebbe essere necessario aggiornare il vaccino per affrontare meglio l'emergenza della variante Delta e di altre varianti, il vaccino rimane altamente efficace nel proteggere le persone da malattie gravi e ospedalizzazione. Inoltre, è molto importante concentrarsi su una migliore igiene personale e misure di allontanamento sociale per ridurre la diffusione del nuovo coronavirus. Da questo punto di vista, dobbiamo prestare attenzione al miglioramento della nostra immunità. La cistanche può migliorare l'immunità e i polisaccaridi nella carne possono regolare la risposta immunitaria del sistema immunitario umano, migliorare la capacità di stress delle cellule immunitarie e rafforzare le cellule immunitarie. effetto battericida.

Fare clic su polvere di estratto di cistanche tubulosa

3.1. Misure giornaliere

In questa sezione, il nostro obiettivo principale è calcolare le seguenti variabili giornaliere: tasso di mobilità (per ciascuno dei cinque POI), tasso di crescita (GRt j ) dei casi e frazione della popolazione con resistenza (FR), come mostrato in Figura 3. Per il tasso di mobilità, prendiamo i valori direttamente dal set di dati Google Mobility. Altre variabili sono state calcolate come segue.

Per stimare il tasso di crescita dei casi, applichiamo la Formula (2) da [21] con un ritardo di 11- giorni tra le misurazioni della mobilità e la derivata temporale istantanea del numero di casi in base ai risultati del ritardo ottimale in [35] :

Il tasso di crescita dei casi (GRt j ) per un paese specifico j e un dato giorno t è calcolato come il tasso logaritmico di variazione dei nuovi casi nei tre giorni precedenti rispetto al tasso logaritmico dei nuovi casi nella settimana precedente. Qui c t j è il numero di nuovi casi nel paese j nel giorno t.

Per stimare la frazione della popolazione con resistenza per un paese specifico in un determinato giorno, abbiamo combinato la frazione di persone con immunità naturale (ovvero quelle che hanno già contratto il COVID-19 e sono guarite) con la frazione di persone vaccinate :

dove la frazione totale di persone con qualche forma di resistenza (FRT) dipende dalla frazione di casi (FRc) fino ad oggi, stimata scalando il numero totale di casi segnalati (CTot) per un moltiplicatore (m) per ciascun paese, come mostrato nella Tabella 2. Questi moltiplicatori m, che tengono conto della sottostima, sono stati presi da numerosi studi in letteratura. Questo approccio presuppone che la resistenza naturale non sia svanita, il che può essere un presupposto accettabile durante le fasi iniziali della pandemia. Se questa analisi dovesse essere ripetuta, raccomanderemmo di limitare la finestra dei casi che portano alla resistenza naturale per tenere conto del fatto che (a) la pandemia ha probabilmente superato la durata tipica della resistenza, come evidenziato dall'enorme numero di reinfezioni osservate nell'ultimo anno, e (b) sembra che le varianti di Omicron siano particolarmente brave a eludere le nostre difese e la reinfezione potrebbe verificarsi su scale temporali piuttosto brevi. La frazione con resistenza naturale (FRc) viene aggiunta alla frazione della popolazione che è stata vaccinata (FRv), stimata nell'Equazione (5). Per evitare il doppio conteggio delle persone che hanno contratto il COVID-19 e che sono state anche vaccinate, FRv è ridimensionato di (1−FRc).

3.2. Correlazioni e intervalli di resistenza della popolazione

Dopo aver stimato le variabili giornaliere, classifichiamo le serie temporali dei paesi in intervalli basati su FRT. Ciò si traduce in periodi diversi per ogni paese in cui la percentuale della popolazione con resistenza è simile. Per raggiungere questo obiettivo, abbiamo seguito il processo nella Figura 4, dove abbiamo prima considerato ciascuno dei paesi e suddiviso le serie temporali in periodi basati sulla frazione totale di resistenza FRT: selezioniamo il primo bin di FRT compreso tra {{1} }–10 percento , il secondo tra il 10 e il 20 percento e così via fino al 60-70 percento . Quindi, per ciascun periodo, abbiamo calcolato la correlazione tra il punteggio di mobilità di Google ritardato e il tasso di crescita dei casi (GRt j) per ciascuno dei POI. Abbiamo usato una correlazione di Pearson, dove 1 indica una forte correlazione positiva, 0 è nessuna correlazione e -1 è una forte correlazione negativa.

3.3. Stime della variante delta

Per determinare in che modo l'emergere della variante Delta influisce su queste correlazioni, abbiamo calcolato la frazione di Delta per ciascun periodo di FRT e identificato i periodi con alte frazioni di Delta e basse frazioni di 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∆):

dove (F∆) è uguale ai campioni sequenziati della variante Delta (n∆) diviso per tutti i campioni sequenziati durante quel periodo (not).

Infine, abbiamo aggregato i coefficienti di correlazione per tutti i paesi e ciascuno dei POI e dei periodi FRT; consideriamo due traiettorie di trasmissione, una che include solo i dati per i quali Delta < 10 percento (Pre-Delta) e l'altra che include tutti i dati (post-Delta).

4. Risultati

4.1. Correlazione tra mobilità e casi COVID-19

L'istogramma delle correlazioni misurate tra il tasso di crescita dei casi e la mobilità in tutti i 14 paesi e per tutti i POI è mostrato nella Figura 6. La correlazione varia da −0.67 a 0.66, con la maggior parte dei dati nell'intervallo [−0.29, 0.28]. A questa granularità, i dati suggeriscono che non esiste una reale correlazione tra mobilità e tasso di crescita, ovvero, in media, la modifica dei modelli di mobilità non influisce sul numero di casi. Tuttavia, questo approccio a grana grossa maschera l'effetto della resistenza della popolazione, che verrà rivelato nelle sezioni seguenti.

4.2. L'effetto della resistenza della popolazione sulla trasmissione di COVID-19

Con il progredire della pandemia, la frazione della popolazione con resistenza al virus aumenta tramite la vaccinazione o contraendo il COVID-19 e riprendendosi. Per avere un'idea dell'impatto della resistenza sulla correlazione del tasso di crescita con la mobilità, si considerino i seguenti due casi estremi. In una popolazione ingenua in cui nessuno ha alcuna resistenza al virus, ogni contatto rappresenta una potenziale nuova infezione; in questo scenario, è probabile che trascorrere del tempo in POI che aumentano il numero di contatti nella popolazione (ad es. stazioni di transito) porti a un maggior numero di casi. Quindi, in una popolazione ingenua, ci aspettiamo che la mobilità nei POI ad alto contatto sia fortemente correlata con il tasso di crescita dei casi. All'estremo opposto, se la maggior parte della popolazione è resistente al virus, è improbabile che la maggior parte dei contatti in un determinato POI porti alla trasmissione. Ciò suggerisce che in una popolazione fortemente resistente, la mobilità nei POI ad alto contatto sarà solo debolmente correlata con il tasso di crescita, se non del tutto.

Per verificarlo, abbiamo raggruppato i dati in base alla frazione della popolazione con resistenza, FRT (che è stimata sia dal tasso di vaccinazione che dalle precedenti infezioni come descritto sopra). I risultati di questo esercizio per i POI ricreativi e al dettaglio sono mostrati nella Figura 7. Ogni punto rappresenta il coefficiente di correlazione medio (mediato in tutti i paesi durante i periodi pertinenti) tra il tasso di crescita dei casi COVID-19 e la mobilità. Le barre catturano il 75% dei dati; i valori anomali sono stati rimossi per riordinare la visualizzazione ed evidenziare le tendenze. L'errore standard nella media è 0.056, come mostrato dalla regione grigia nel grafico. Come previsto, quando solo una piccola frazione della popolazione è resistente (circa lo 0-25 per cento, come mostrato dai punti arancioni in questo caso), esiste una chiara correlazione tra la mobilità e il tasso di crescita dei casi, suggerendo che limitare l'accesso alle attività ricreative e di vendita al dettaglio all'inizio della pandemia possono essere utili per ridurre il numero di trasmissioni. Tuttavia, con l'aumentare della resistenza nella popolazione, la correlazione tra mobilità e tasso di crescita dei casi diventa progressivamente più debole.

Grafici simili che mostrano l'effetto della resistenza della popolazione sugli altri quattro punti di interesse (stazioni di transito, luoghi di lavoro, generi alimentari e farmacie e parchi) sono mostrati nella Figura 8. Tutti i punti di interesse mostrano tendenze simili con chiare correlazioni tra mobilità e tasso di crescita dei casi quando la frazione della popolazione con resistenza è bassa; all'aumentare della resistenza, le correlazioni diminuiscono costantemente, diventando trascurabili a diversi valori critici di 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) tra mobilità e tasso di crescita. Quindi, quando FRT aumenta oltre il 25%, la correlazione diminuisce costantemente; anche i luoghi di lavoro mostrano una tendenza simile. Per generi alimentari, farmacie e parchi, la correlazione non è così forte come con le stazioni di transito, i negozi, le attività ricreative o i luoghi di lavoro. Come mostrato nella Figura 8, c'è una chiara correlazione quando FRT < 10%. Dopodiché, correlazione significa oscillare vicino allo zero, suggerendo che limitare la mobilità può essere utile in alcuni casi e non in altri; se questo è il caso o meno probabilmente dipende da altri fattori di mitigazione che sono in atto.

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, è contrassegnato come correlato positivamente (arancione), pertanto potrebbe essere utile limitare la mobilità durante tale periodo. D'altra parte, correlazione significa che sono<−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. Discussione

5.1. Implicazioni per le politiche di restrizione della mobilità

Tutti i nostri dati mostrano una tendenza chiara e coerente: in una popolazione naive, la mobilità è correlata al tasso di crescita dei casi; man mano che la popolazione guadagna resistenza, questa correlazione scende a zero quando FRT raggiunge un valore critico. Una volta raggiunto questo valore critico di FRT e non vi è alcuna correlazione tra mobilità e tasso di crescita (come nel caso dei punti blu nelle figure 7 e 8), ridurre la mobilità chiudendo i POI può avere scarso effetto sul tasso di trasmissione. È ormai assodato che la chiusura dei POI può comportare gravi costi economici e sociali. Quindi è un esercizio utile considerare se ne vale la pena. Tutti i dati mostrati nelle figure 7 e 8 suggeriscono che le restrizioni alla mobilità possono essere efficaci all'inizio della pandemia, ma perdono gradualmente la loro efficacia man mano che la popolazione acquisisce resistenza attraverso la vaccinazione o il recupero e, di conseguenza, la connessione tra mobilità e trasmissione si indebolisce. Qui abbiamo evidenziato i valori di FRT (in arancione) per i quali le politiche che limitano la mobilità possono avere un impatto positivo sul rallentamento della diffusione del COVID-19. Allo stesso modo, il punto blu indica i valori di FRT per i quali è improbabile che le restrizioni alla mobilità abbiano un impatto significativo sulla trasmissione.

Questi raggruppamenti blu e arancione sono riassunti nella Tabella 3. I dati suggeriscono che i luoghi di vendita al dettaglio e ricreativi, le stazioni di transito e i luoghi di lavoro sono i POI che beneficeranno maggiormente delle misure di limitazione della mobilità e che probabilmente continueranno a beneficiarne oltre le fasi iniziali della pandemia (vale a dire fino a quando FR cresce oltre il 25-30 per cento, come mostrato nella Tabella 4). Ipotizziamo che ciò possa verificarsi perché questi POI condividono caratteristiche comuni che facilitano la trasmissione (ad esempio, al chiuso, affollato e tempi di permanenza relativamente lunghi).

Il secondo gruppo di POI che possono beneficiare delle restrizioni alla mobilità all'inizio della pandemia (ma i ritorni potrebbero essere meno pronunciati oltre le fasi iniziali) sono i generi alimentari e le farmacie. Ciò mostra ancora una volta una chiara tendenza che in una popolazione ingenua (fino al 10% resistente) la mobilità e il tasso di crescita dei casi sono correlati; quindi limitare l'accesso o controllare la densità può essere vantaggioso. Ipotizziamo che i generi alimentari e le farmacie possano andare meglio della vendita al dettaglio, delle attività ricreative e dei luoghi di lavoro perché alcuni sottoinsiemi del "pick and go" degli avventori riducono il tempo di permanenza.

Tuttavia, è importante notare che questi valori critici, per tutte le sedi discusse sopra, sono una media e il valore critico di FRT di una particolare sede probabilmente dipende dalle dimensioni del POI, dalle strategie di mitigazione locali, ecc. Mentre questo studio fornisce alcune "regole empiriche" generali, come con qualsiasi politica, è importante fare un'immersione più profonda per comprendere i fattori di confusione locali per determinare quali POI tenere aperti e quali limitare.

Infine, i dati mostrano una correlazione molto scarsa tra mobilità e tasso di crescita nei parchi per quasi tutti i valori di FRT. Per FRT > 5-10 percento , la correlazione era trascurabile, suggerendo che per COVID-19, tenere aperti i parchi, che forniscono uno spazio all'aperto per socializzare, è improbabile che porti a un aumento della trasmissione (e può rivelarsi vantaggioso se la presenza di spazi esterni prontamente disponibili incentiva le persone ad uscire da ambienti più trasmissivi).

5.2. L'effetto della variante Delta sulla trasmissione di COVID-19

Una sfida con il nostro approccio è che la frazione della popolazione con resistenza non si presenta come un campione randomizzato nel tempo: la resistenza aumenta con il progredire della pandemia. Ciò introduce la possibilità che le correlazioni che misuriamo non siano dovute alla resistenza ma piuttosto alle diverse varianti che si evolvono con il progredire della pandemia. Durante il periodo considerato in questo studio, le varianti dominanti erano il ceppo iniziale e la variante Delta, che si sono rivelate sia più trasmissibili che più letali rispetto ai ceppi originali. Per tenere conto dell'emergere di Delta, abbiamo eseguito la stessa analisi ma abbiamo rimosso tutti i punti in cui Delta rappresentava oltre il 10% dei casi rilevati. Nelle Figure 7 e 8, la linea continua corrisponde a questa analisi, cioè i ceppi originali senza 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. Conclusioni

In questo studio, abbiamo analizzato l'impatto delle misure di mitigazione che limitano la mobilità su una popolazione resistente in cui abbiamo considerato due fattori: in primo luogo, l'effetto della resistenza per diversi punti di interesse (POI), tra cui stazioni di transito, generi alimentari e farmacie, vendita al dettaglio e luoghi di ricreazione, luoghi di lavoro e parchi; in secondo luogo, l'effetto della resistenza prima e dopo l'emergere della variante Delta. Abbiamo studiato un gruppo di 14 paesi con conteggi di casi COVID-19 relativamente affidabili, in cui abbiamo raggruppato i dati in base alla frazione della popolazione con resistenza e presenza della variante Delta, utilizzando una correlazione di Pearson tra mobilità e casi. Abbiamo scoperto che le restrizioni alla mobilità nei luoghi di vendita al dettaglio e ricreativi, nelle stazioni di trasporto pubblico e nei luoghi di lavoro hanno maggiori probabilità di essere utili nel controllare la diffusione del virus, in particolare se la frazione della popolazione con resistenza è inferiore al 25-30%. In alcuni casi, generi alimentari e farmacie possono beneficiare di restrizioni alla mobilità se la frazione della popolazione con resistenza è inferiore al 10%. Mentre nei parchi le misure che limitano la mobilità sono poco vantaggiose.

Un limite di questo studio sono le incertezze nella raccolta dei dati durante il COVID-19. Tuttavia, abbiamo fatto uno sforzo per affrontare questo problema utilizzando il calcolo per la selezione dei paesi descritto nella Sezione 2.4, dove abbiamo scelto i 14 paesi più affidabili per lo studio. D'altra parte, i punti di forza di questo lavoro sono la sua prospettiva globale e la sua ampia visione. Inoltre, come implicazioni politiche, queste informazioni possono essere utilizzate in seguito per eventuali malattie infettive simili a COVID-19, come discusso nella Sezione 5.1. Sapere quali POI limitare di più tenendo conto della soglia di resistenza può aiutare a prevenire la diffusione della malattia e salvare vite nelle fasi precedenti.

Nel lavoro futuro, miriamo a studiare l'effetto della resistenza della popolazione sia sul tasso di mortalità che sul numero di pazienti in terapia intensiva. Inoltre, può essere interessante confrontare l'effetto di diversi tipi di resistenza (resistenza naturale contro vaccino contro una combinazione dei due). Inoltre, man mano che diventano disponibili più dati, le analisi su microscala diventano fattibili quando si includono diversi distretti e luoghi all'interno delle città.

Contributi dell'autore:

Metodologia, DA e AH; codifica e analisi, DA; risorse, DA; cura dei dati, DA; scrittura—preparazione della bozza originale, DA e AH; scrittura: revisione e revisione, DA, AH e MN; visualizzazione, DA e AH; supervisione, AH e MN Tutti gli autori hanno letto e accettato la versione pubblicata del manoscritto.

Finanziamento:

Questa ricerca è stata finanziata da King Abdulaziz City for Science and Technology.

Dichiarazione del comitato di revisione istituzionale:

Non applicabile.

Dichiarazione di consenso informato:

Non applicabile.

Dichiarazione sulla disponibilità dei dati:

Our World in Data [31]—Google fornisce un set di dati sulla mobilità pubblicamente disponibile relativo alla pandemia [32]—Our World in Data ha condiviso un set di dati sulle varianti di COVID-19 [33].

Conflitto di interessi:

Gli autori dichiarano assenza di conflitto di interesse.

Riferimenti

1. Li, Q.; Guan, X.; Wu, P.; Wang, X.; Zhou, L.; Tong, Y.; Ren, R.; Leung, KSM; Lau, EHY; Wong, JY; et al. Prime dinamiche di trasmissione a Wuhan, in Cina, della polmonite infetta da nuovo coronavirus. N. inglese J.Med. 2020, 382, ​​1199–1207. Disponibile online: https://www.researchgate.net/publication/338904336_Early_Transmission_Dynamics_a_Wuhan_ China_of_Novel_ Coronavirus-Infected_Pneumonia (accesso effettuato il 15 agosto 2021).

2. Zhu, N.; Zhang, D.; Vanga, W.; Li, X.; Yang, B.; Canzone, J.; Zhao, X.; Huang, B.; Shi, W.; Lu, R.; et al. Un nuovo coronavirus da pazienti con polmonite in Cina, 2019. N. Engl. J.Med. 2020, 382, ​​727–733. [CrossRef] [PubMed]

3. Wesolowski, A.; Buckee, CO; Engø-Monsen, K.; Metcalf, CJE Collegare la mobilità alle malattie infettive: la promessa e i limiti dei dati del telefono cellulare. J. Infettare. Dis. 2016, 214, S414–S420. [CrossRef] [PubMed]

4. Zhang, D.; Sole, K.; Cinazzi, M.; Pastore e Piontti, A.; Decano, NE; Rojas, DP; Merler, S.; Mitry, D.; Poletti, P.; Rossi, L.; et al. Diffusione del virus Zika nelle Americhe. Proc. Natl. Acad. Sci. USA 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.; Usignolo, ES; et al. Effetti di interventi non farmaceutici su casi di COVID-19, decessi e domanda di servizi ospedalieri nel Regno Unito: uno studio di modellizzazione. Lancet Public Health 2020, 5, e375–e385. [CrossRef]

6. Flaxman, S.; Mishra, S.; Gandy, A.; Unwin, HJT; Mellan, AT; Coupland, H.; Whittaker, C.; Zhu, H.; Berah, T.; Eaton, JW; et al. Stima degli effetti degli interventi non farmaceutici su COVID-19 in Europa. Natura 2020, 584, 257–261. [CrossRef] [PubMed]

7. Lai, S.; Ruktanonchai, NO; Zhou, L.; Prospero, O.; Luo, W.; Floyd, Jr.; Wesolowski, A.; Santillana, M.; Zhang, C.; Du, X.; et al. Effetto degli interventi non farmaceutici per contenere il COVID-19 in Cina. Natura 2020, 585, 410–413. [CrossRef]

8. Kwon, H.; Hom, K.; Rifkin, M.; Tian, ​​B.; Koylu, C. Esplorazione dell'eterogeneità spaziotemporale nella relazione tra mobilità umana e prevalenza di COVID-19 utilizzando il time warping dinamico. arXiv 2021, arXiv:2109.13765.

9. Xiong, C.; Hu, S.; Yang, M.; Luo, W.; Zhang, L. I dati sui dispositivi mobili rivelano le dinamiche di una relazione positiva tra la mobilità umana e le infezioni da COVID-19. Proc. Natl. Acad. Sci. USA 2020, 117, 27087–27089. [CrossRef]

10. Casa Nova, A.; Ferreira, P.; Almeida, D.; Dionisio, A.; Quintino, D. La mobilità e il COVID-19 sono correlati? Analisi dinamica per i distretti portoghesi. Entropia 2021, 23, 786. [CrossRef]

11. Steiger, E.; Mussgnug, T.; Kroll, LE L'analisi del grafico causale dei dati osservativi COVID-19 nei distretti tedeschi rivela gli effetti dei fattori determinanti sui numeri di casi segnalati. PLoS ONE 2021, 16, e0237277. [CrossRef]

12. Cartenì, A.; Di Francesco, L.; Martino, M. In che modo le abitudini di mobilità hanno influenzato la diffusione della pandemia di COVID-19: risultati del caso di studio italiano. Sci. Ambiente totale. 2020, 741, 140489. [CrossRef]

13. Noland, RB Mobility e il tasso di riproduzione effettivo di COVID-19. J. Trasp. Salute 2021, 20, 101016. [CrossRef] [PubMed]

14. Wielechowski, M.; Ceco, K.; Grz˛eda, Ł. Declino della mobilità: trasporto pubblico in Polonia al tempo della pandemia di COVID-19. Economie 2020, 8, 78. [CrossRef]

15. Oh, J.; Lee, HY; Khuong, QL; Markuns, JF; Bullen, C.; Barrios, OEA; Hwang, SS; Oh, YS; MacCool, J.; Kachur, SP; et al. Le restrizioni alla mobilità sono state associate a riduzioni dell'incidenza di COVID-19 all'inizio della pandemia: evidenza da una valutazione in tempo reale in 34 paesi. Sci. Rep. 2021, 11, 13717. [CrossRef] [PubMed]

16. Agarval, A.; Alomar, A.; Sarker, A.; Shah, D.; Shen, D.; Yang, C. Due domande scottanti su COVID-19: la chiusura dell'economia ha aiutato? Possiamo (parzialmente) riaprire l'economia senza rischiare la seconda ondata? 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. Riduzione della mobilità e trasmissione del COVID-19. Nat. Comune. 2021, 12, 1090. [CrossRef]

18. Cabana, A.; Incisione, L.; Fariello, MI; Bermolen, P.; Fiori, M. Valutazione dell'impatto della riduzione della mobilità nella seconda ondata di COVID-19. In Proceedings of the 2021 XLVII Latin American Computing Conference (CLEI), Vienna, Austria, 21–23 aprile 2021; pp. 1–10.

19. da Silva, TT; Francescani, R.; Nascimento, MC Dati meteorologici e sulla mobilità umana sulla previsione dei casi di COVID-19 mediante un nuovo metodo di decomposizione ibrida con analisi di rilevamento delle anomalie: un caso di studio nelle capitali del Brasile. Esperto Sist. Appl. 2021, 182, 115190. [CrossRef]

20. Bhowmik, T.; Tirta, SD; Iraganaboina, Carolina del Nord; Eluru, N. Un'analisi completa dei tassi di trasmissione e mortalità del COVID-19 a livello di contea negli Stati Uniti, considerando dati socio-demografici, indicatori di salute, tendenze della mobilità e caratteristiche delle infrastrutture sanitarie. PLoS ONE 2021, 16, e0249133. [CrossRef]

21. Badr, HS; Du, H.; Marshall, M.; Dong, E.; Scudiero, MM; Gardner, LM Associazione tra modelli di mobilità e trasmissione di COVID-19 negli Stati Uniti: uno studio di modellazione matematica. Lancetta infetta. Dis. 2020, 20, 1247–1254. [CrossRef]

22. Chang, S.; Pierson, E.; Koh, PW; Gerardin, J.; Uccello rosso, B.; Grusky, D.; Leskovec, J. I modelli di rete di mobilità di COVID-19 spiegano le disuguaglianze e informano la riapertura. Natura 2021, 589, 82–87. [CrossRef]

23. Garcia-Cremades, S.; Morales-Garcia, J.; Hernández-Sanjaime, R.; Martínez-España, R.; Bueno-Crespo, A.; Hernández-Orallo, E.; López-Espín, JJ; Cecilia, JM Migliorare la previsione dell'evoluzione del COVID-19 unendo dati epidemiologici e sulla mobilità. Sci. Rep. 2021, 11, 15173. [CrossRef] [PubMed]

24. Wei, Y.; Wang, J.; Canzone, W.; Xiu, C.; Mamma, L.; Pei, T. Diffusione di COVID-19 in Cina: analisi da un modello di epidemia e mobilità basato sulla città. Città 2021, 110, 103010. [CrossRef] [PubMed]

25. Kuzdeuov, A.; Baimukashev, D.; Karabay, A.; Ibragimov, B.; Mirzachmetov, A.; Nurpeiissov, M.; Lewis, M.; Varol, HA Un simulatore epidemico stocastico basato su rete: controllo del covid-19 con politiche specifiche per regione. IEEE J. Biomed. Informazione Sanitaria. 2020, 24, 2743–2754. [CrossRef] [PubMed]

For more information:1950477648nn@gmail.com