A eficácia das restrições de mobilidade no controle da disseminação da COVID-19 em uma população resistente, parte 1

Abstrato:

A mobilidade humana desempenha um papel importante na disseminação da COVID-19. Dado esse conhecimento, os países implementaram políticas de restrição de mobilidade. Concomitantemente, à medida que a pandemia avançava, a resistência da população ao vírus aumentava por meio da imunidade natural e da vacinação. Abordamos a questão: "Qual é o impacto das medidas de restrição de mobilidade em uma população resistente?" Consideramos dois fatores: diferentes tipos de pontos de interesse (POIs) – incluindo estações de trânsito, mercearias e farmácias, varejo e recreação, locais de trabalho e parques – e o surgimento da variante Delta.

Estudamos um grupo de 14 países e estimamos a transmissão de COVID-19 com base no tipo de POI, na fração de resistência da população e na presença da variante Delta usando uma correlação de Pearson entre mobilidade e taxa de crescimento de casos. Descobrimos que locais de varejo e recreação, estações de trânsito e locais de trabalho são os POIs que mais se beneficiam das restrições de mobilidade, principalmente se a fração da população com resistência estiver abaixo de 25% a 30%. Mercearias e farmácias podem se beneficiar de restrições de mobilidade quando a fração de resistência da população é baixa, ao passo que, em parques, há pouca vantagem em medidas de restrição de mobilidade. Esses resultados são consistentes tanto para a cepa original quanto para a variante Delta; Os dados de Omicron não foram incluídos neste trabalho.

A variante Delta é uma cepa mutante do novo coronavírus que é mais contagiosa e patogênica do que outras variantes. Para imunidade, a variante Delta pode ter um certo impacto na imunidade de algumas pessoas.

Para pessoas que já foram vacinadas, a vacina aumenta sua resistência à variante Delta. No entanto, para algumas pessoas, o efeito protetor da vacina pode ser enfraquecido, como aqueles que desenvolvem baixos níveis de anticorpos após a vacinação ou aqueles que ainda estão expostos a locais de alto risco após a vacinação.

Além disso, a variante Delta pode representar uma ameaça maior para pessoas com imunidade enfraquecida, como idosos, pacientes imunocomprometidos e pacientes com doenças crônicas. Portanto, manter um bom estado imunológico, especialmente após a vacinação, continuar a tomar medidas de prevenção epidêmica, como usar máscaras, lavar as mãos com frequência, minimizar aglomerações etc., é de grande importância para evitar a propagação de variantes Delta. Por isso, precisamos entender a importância da imunidade. Cistanche pode melhorar significativamente a imunidade porque as cinzas da carne contêm uma variedade de componentes biologicamente ativos, como polissacarídeos, dois cogumelos e Huang Li, que podem estimular o sistema imunológico. Vários tipos de células, aumentam sua atividade imunológica.

Clique em benefícios cistanche tubulosa

Palavras-chave:

COVID-19; Delta-variante; uma fração de resistência; mobilidade humana; pandemia; Método de correlação de Pearson.

1. Introdução

Em dezembro de 2019, um novo coronavírus (COVID-19) foi descoberto em Wuhan, China. Posteriormente, espalhou-se rapidamente por todo o mundo, levando a 6,4 milhões de mortes em todo o mundo em agosto de 2022 e precipitando uma pandemia global [1,2]. Já foi estabelecido que a COVID-19 é transmitida principalmente por meio de interações pessoais entre as pessoas. Portanto, o comportamento humano e a mobilidade humana desempenham um papel importante na determinação de como o vírus se espalha [3,4]. Na ausência de vacinação, intervenções não farmacêuticas (NPIs) têm sido aplicadas por muitos países para controlar a propagação da doença. Um NPI amplamente adotado foi a redução da mobilidade humana [5–7] implementada por meio do fechamento de espaços públicos.

Muitos estudos excelentes foram conduzidos sobre o efeito da mobilidade humana na evolução da pandemia de COVID-19. Trabalhos anteriores podem ser amplamente classificados em duas categorias: estudos fundamentais e de políticas. Em muitos estudos fundamentais, os pesquisadores procuram encontrar correlações entre a mobilidade e a evolução da pandemia nos níveis de país, município e ponto de interesse (POI). Um desses estudos [8] investigou a associação espaço-temporal entre mobilidade e infecções em condados dos EUA. Os pesquisadores usaram dados de dispositivos móveis para capturar o fluxo de mobilidade dentro e dentro de cada condado e compararam as tendências de mobilidade com a contagem de casos-19 de COVID usando um método dinâmico de sincronização de tempo.

Eles descobriram que a relação entre mobilidade e taxas de infecção varia tanto geográfica quanto temporalmente. Um estudo semelhante [9] usou dados de dispositivos móveis para encontrar a associação entre mobilidade e contagem de casos nos condados dos EUA. A análise deles mostra uma relação positiva entre mobilidade e número de casos e sugere que essa relação é mais forte em regiões parcialmente reabertas. Em [10], os autores avaliaram a correlação entre a mobilidade e o número de novos casos em diferentes distritos portugueses. Eles descobriram que a mobilidade em POIs de varejo e recreação, mercearia e farmácia e estação de transporte exibiu uma correlação mais alta com a contagem de casos do que em parques e locais de trabalho.

Além da correlação, alguns estudos expandiram suas análises para avaliar os fatores causais por trás do aumento das taxas de transmissão. Por exemplo, refs. [11,12] analisaram o efeito da temperatura na transmissão do COVID-19. Pesquisadores em [11] usaram um gráfico acíclico direcionado (DAG), uma representação gráfica dos efeitos causais que podem levar a novos casos relatados de COVID-19 eles encontraram um aumento na temperatura e alta mobilidade (em farmácias e mantimentos) , levando a contagens de letras minúsculas. Por outro lado, alta mobilidade (em POIs de varejo e lazer) e dias chuvosos levam a um maior número de casos.

Enquanto em [12], seus resultados estimados mostraram que os hábitos de mobilidade, juntamente com testes diários e variáveis ​​ambientais, como temperatura, desempenham um papel na explicação da taxa de casos de COVID-19. Além disso, alguns estudos se concentraram em quantificar o intervalo de tempo entre a mobilidade e os casos de COVID-19 como em [13]. Nesse estudo, os pesquisadores combinaram o índice de mobilidade de 80 cidades na China com a contagem de novos casos e usaram um modelo autorregressivo para estimar o atraso. Como resultado, eles descobriram que a mobilidade está fortemente correlacionada com casos com atraso de 10 dias.

O segundo tipo de estudos se concentrou na formulação de políticas, por exemplo, testando diferentes intervenções de mobilidade para encontrar reduções de mobilidade ideais que equilibrem o custo da propagação viral com o custo econômico associado aos bloqueios, bem como a implementação de modelos de previsão para aconselhar os formuladores de políticas. Vários estudos [13–16] buscaram entender como a redução da mobilidade afeta a disseminação de casos de COVID-19 em diferentes POIs. Em [13], os pesquisadores usaram dados de mobilidade do Google e mediram uma correlação com a taxa efetiva de reprodução Rt. Esse estudo revela que ficar em casa é eficaz na redução do Rt, o tempo gasto nos parques tem pouco efeito, enquanto a redução da mobilidade em outros POIs tem efeitos positivos maiores. Em [15,16], os pesquisadores mostraram que a redução da mobilidade de até 40% em estações de trânsito e locais de varejo e recreação diminuiu o número de casos e pareceu efetivamente "achatar a curva".

Além disso, as Refs. [17,18] examinaram o efeito da redução da mobilidade sobre o número de casos e óbitos. Em [17], os pesquisadores encontraram um padrão consistente de redução acentuada nas mortes após a redução da mobilidade. Outros grupos implementaram modelos de previsão [19–25] para estimar os efeitos da redução da mobilidade e prever o número de casos e mortes. Esses modelos foram implementados com vários níveis de complexidade; por exemplo, [19,20] adicionou variáveis ​​adicionais, incluindo (em [19]) variáveis ​​meteorológicas, como temperatura, umidade e precipitação, juntamente com a correlação entre mobilidade e contagens de casos de COVID-19. Em [20], os pesquisadores incluíram vários fatores, como renda, indicadores de saúde associados à asma, porcentagem de pessoas que ficam em casa e infraestrutura de testes.

Nenhum dos estudos descritos acima considerou a fração da população com resistência. No entanto, à medida que a pandemia avançava, a resistência da população aumentava por meio da imunidade natural e da vacinação. Muitos estudos foram realizados para medir a eficácia das vacinas em termos de impacto na transmissão ou número de mortes, mas os efeitos da mobilidade nesses estudos são geralmente negligenciados (por exemplo, os estudos consideraram populações de pessoas vacinadas e não vacinadas com mobilidade semelhante padrões) ou tratados como uma variável de confusão. Um desses estudos [26] usou uma abordagem de aprendizado profundo para simular as taxas de vacinação e o tempo para atingir a imunidade do rebanho com base nos dados de oito países da Ásia (muitos estudos subsequentes mostraram que a imunidade do rebanho não está mais ao nosso alcance), enquanto [27 ,28] avaliaram o impacto da vacinação no controle da pandemia (por exemplo, reduzindo o número de incidências e mortes) por meio de um modelo baseado em agentes. Além disso, ref. [29] avaliaram a associação entre vacinação e taxas de mortalidade nos EUA usando uma abordagem baseada em regressão e, como resultado, descobriram que a vacinação ajudou a reduzir as taxas de mortalidade em diferentes estados dos EUA.

Tendo em conta o impacto da vacinação e da mobilidade na transmissão, Ref. [30] examinaram o comportamento da vacinação e da mobilidade no controle da pandemia usando modelagem de equações estruturais; eles descobriram que a vacinação retarda a propagação da COVID-19 em regiões onde a vacinação está negativamente correlacionada com a mobilidade e vice-versa para as regiões que têm uma correlação positiva entre vacinação e mobilidade.

Embora o trabalho anterior tenha investigado a correlação entre a mobilidade e a evolução da pandemia, incluindo o efeito da vacinação como em [30], eles não consideraram o efeito da resistência da população (imunidade natural e vacinação) nessa correlação. Portanto, o foco de nosso estudo é analisar a correlação entre mobilidade e transmissão de COVID-19 em diferentes pontos de interesse (POIs), levando em consideração a resistência da população (vacinação—imunidade natural (porcentagem da população que se recuperou da COVID -19)) e o surgimento da variante Delta.

Para atingir nosso objetivo, exploraremos o conjunto de dados de contagem de casos COVID-19 Our World in Data, juntamente com o conjunto de dados Google Mobility. Combinamos esses conjuntos de dados para testar a correlação entre a mobilidade e a taxa de disseminação viral, levando em conta quatro fatores adicionais: pontos de interesse (POIs) – incluindo locais de varejo e recreação, estações de trânsito, parques, mercearias e farmácias e locais de trabalho; o surgimento da variante Delta; a fração da população que foi vacinada; e a fração da população com resistência natural (ou seja, aqueles que se recuperaram de uma infecção por COVID-19). Observe que, se não houver correlação entre a mobilidade e a contagem de casos-19 de COVID, as medidas de mitigação que restringem a mobilidade terão pouco impacto no controle da propagação do vírus.

O restante deste artigo está organizado da seguinte forma. A Seção 2 apresenta uma visão geral do conjunto de dados e do pré-processamento de dados. A seção 3 mostra nossa metodologia. As seções 4 e 5 apresentam os resultados de nossa análise, juntamente com uma discussão. Por fim, as conclusões são tiradas na Seção 6.

2. Conjuntos de dados

A primeira etapa da análise foi coletar e pré-processar os dados; esta seção fornece uma visão geral dos conjuntos de dados que usamos para o estudo e nosso processo de seleção de países. Nossos dados foram extraídos dos três conjuntos de dados mostrados na Tabela 1 com um período de tempo selecionado de fevereiro de 2020 a julho de 2021.

2.1. COVID-19 Conjunto de dados

Our World in Data [31] é mantido por uma organização sem fins lucrativos que inclui milhares de pesquisadores de todo o mundo. Um dos conjuntos de dados mais ricos que eles coletaram durante a pandemia é o conjunto de dados COVID-19. Este conjunto de dados captura medições epidêmicas diariamente (por exemplo, novos casos, novas mortes, vacinações, etc.), juntamente com dados demográficos (por exemplo, idade média) e métricas relacionadas ao país (por exemplo, índice de desenvolvimento humano). Abrange 231 países e inclui 60 variáveis. A coleta de dados começou em janeiro de 2020 e, até o momento, o conjunto de dados foi atualizado todos os dias.

2.2. Conjunto de dados de mobilidade do Google

O Google fornece um conjunto de dados de mobilidade publicamente disponível relacionado à pandemia [32], no qual mede o número diário de visitantes para POIs específicos como uma taxa de mobilidade (MR). POIs incluem estações de trânsito, mercearias e farmácias, locais de varejo e recreação, locais de trabalho e parques. Sua medição é baseada no cálculo da mudança relativa de visitantes a partir de uma linha de base antes da pandemia e abrange 123 países. A coleta de dados começou em fevereiro de 2020 e foi atualizada diariamente até o momento.

2.3. COVID-19 Variantes

Além do conjunto de dados COVID-19 descrito acima, Our World in Data compartilhou um conjunto de dados de variantes-19 COVID [33], que é originário do GISAID [34]. O conjunto de dados captura periodicamente o número de amostras sequenciadas que se enquadram em um nome de variante específico. Abrange 110 países. A coleta de dados teve início em maio de 2020 e, até o momento, é atualizada a cada duas semanas.

2.4. Seleção de país

Ao longo da pandemia, houve muitas inconsistências e incertezas em relação aos testes e relatórios precisos do número de casos de COVID-19 em diferentes países. Dada essa incerteza, nos esforçamos para restringir nosso estudo a países com dados relatados relativamente confiáveis. Nosso processo de seleção seguiu as etapas mostradas na Figura 1. Primeiro, encontramos os países cruzados dos três conjuntos de dados. Então, para ter uma noção aproximada de quais países estavam detectando uma grande fração de casos, encontramos, para cada país, a maior proporção de casos detectados (Cnovo) para a população total (p):

Se cada país foi atingido por uma onda de casos em algum momento durante a pandemia, quanto maior for essa proporção, mais provável é que o país esteja detectando e relatando casos de maneira confiável; ou seja, se um país relatar que essa proporção está próxima de zero, dada a natureza altamente transmissível do vírus, é mais provável que ele esteja subestimado, em vez de não ter casos de COVID-19. Existem, é claro, exceções a isso; por exemplo, no início da pandemia, a Nova Zelândia aplicou medidas draconianas para impedir a propagação e manteve o vírus amplamente contido. Os países foram então classificados por essa proporção, e as 50 proporções mais altas foram selecionadas como regiões onde a COVID-19 provavelmente será detectada e relatada de forma relativamente confiável. Para focar nos efeitos da resistência da população, desses 50, selecionamos os países que alcançaram 60% de resistência da população ou mais por meio de vacinação ou recuperação de infecções anteriores até julho de 2021. Isso nos deixou com nossos 14 países-alvo (Argentina, Canadá, Estados Unidos, Reino Unido, Itália, Áustria, Irlanda, República Tcheca, França, Uruguai, Eslovênia, Israel, Suíça e Luxemburgo), conforme mostra a Figura 2.

For more information:1950477648nn@gmail.com