Pěší provoz může předvídat šíření Covid-19 v sousedství New York City

Nová studie zveřejněná v časopise Výpočetní biologie PLOS Odhaluje, jak mohou údaje o provozu z mobilních zařízení z mobilních zařízení posílit předpovědi Covid-19 na úrovni sousedství v New Yorku. Výzkum vedený vědci na Columbia University Mailman School of Public Health a Dalian University of Technology poskytuje nový přístup k předpovídání šíření viru SARS-CoV-2 a zlepšení cílených intervencí veřejného zdraví během budoucích ohnisek.

Pandemie Covid-19 tvrdě zasáhla New York City, přičemž míra infekce se v sousedství dramaticky lišila. Zatímco v některých oblastech došlo k rychlému přenosu, jiné zaznamenaly nižší přenosové rychlosti a případy, hlavně kvůli rozdílům v socioekonomických faktorech, lidské chovánía lokalizované intervence.

Aby řešili tyto nerovnosti, vědci vyvinuli a Předpovědní model To odpovídá za vzory mobility na úrovni sousedství, aby poskytovaly přesné předpovědi šíření nemocí. Analyzovali anonymizovaná data mobilního umístění, aby sledovala pěší provoz v restauracích, maloobchodních prodejnách a zábavních místech ve 42 čtvrtích. Integrací těchto pohybových vzorců s epidemickým modelem zjistili, kde a kdy se pravděpodobně vyskytnou ohniska.

„Naše analýza jasně ukazuje, jak se rutinní aktivity, jako je stravování nebo nakupování, staly hlavními přenosovými cestami Covid-19,“ vysvětluje senior autor Sen Pei, Ph.D., docent na ministerstvu životních věd o životním prostředí v Columbia Mailman School. „Tyto behaviorální poznatky dávají našemu modelu výrazně větší prediktivní sílu než konvenční přístupy.“

Přesné prognóza pro sousedství Covid-19 Spread

Tato studie ukazuje, jak modelování COVID-19 na úrovni sousedství může pomoci řešit zdravotní rozdíly identifikací hyperlokálních přenosových vzorců. Výzkum ukazuje, že přeplněné vnitřní prostory – zejména restaurace a bary – hrály významnou roli v časném pandemickém šíření. Integrací dat mobility v reálném čase vyvinul tým model řízený chováním, který překonává tradiční metody prognózy při předpovídání případů na úrovni komunity.

Další kritickou součástí je začlenění modelu sezónních účinků. Vědci potvrdili zvýšené riziko přenosu zimy a propojili jej s nižší úrovní vlhkosti, které prodlužují přežití viru ve vzduchu. Tato sezónní přizpůsobení umožňuje přesnější krátkodobé předpovědi, což činí úředníkům veřejného zdraví zásadní dodací lhůtu k přípravě na infekce.

Nástroj pro spravedlivou pandemickou reakci

Model řízený chováním by mohl zmocnit zdravotnická oddělení k distribuci testování a klinických zdrojů a přímého Intervence veřejného zdraví Tam, kde jsou nejvíce potřeba, a zajistit, aby ochrana dosáhla nejprve zranitelných čtvrtí.

Tím, že přesně určit, kdy a kde se pravděpodobně objeví přenosové hroty, nahrazuje přístup k hádání cílenou prevencí. Například, protože chladné počasí řídí lidi uvnitř, model mohl identifikovat shromažďovací místa, která by vyžadovala omezení kapacity.

Zdokonalování modelu pro budoucí ohniska

Zatímco model řízený chováním se ukázal jako efektivní, vědci poznamenávají, že implementace v reálném světě vyžaduje další zdokonalení. Klíčovou výzvou spočívá v zajištění konzistentního přístupu k vysoce kvalitní mobilitě a údajům o případech-omezení, kterému čelí během raných fází pandemie, když byly informační toky nespolehlivé.

Vědci nyní zvyšují model tak, aby zahrnoval adaptivní změnu chování v reakci na infekce a jeho zpětnou vazbu k přenosu nemocí. Tato vylepšení budou zvláště životně důležitá pro připravenost a reakci na budoucí pandemie, což umožňuje přesnější předpovědi vzorců šíření nemocí.

„Úspěch tohoto modelu s CoVID-19 otevírá nové cesty pro boj proti budoucím ohniskům,“ vysvětluje PEI. „Mapováním nemoci přenos Na komunitní úrovni můžeme vyzbrojit New York City – a potenciálně jinými místy – s informacemi, abychom mohli učinit informovanější rozhodnutí při přípravě a reagovat na vznikající zdravotní hrozby. ““

Prvním autorem studie je Renquan Zhang, Dalian University of Technology, Dalian, Čína. Mezi další autory patří Qing Yao, Wan Yang, Kai Ruggeri a Jeffrey Shaman v Columbii; a Jilei Tai na Dalian University of Technology.