저항 인구 집단에서 COVID-19 확산 통제에 대한 이동 제한의 효과 2부
May 31, 2023
3. 방법론
우리는 방법론을 일일 측정, 상관 관계 및 모집단 저항 범위, 델타 변수 추정의 세 단계로 나누었습니다. 모든 코드는 Python을 사용하여 처음부터 작성되었습니다.
델타 돌연변이는 이전 코로나 바이러스 돌연변이와 다른 새로운 코로나 바이러스 돌연변이이기 때문에 델타 돌연변이와 면역의 관계는 매우 복잡합니다. 현재 연구에 따르면 델타 변종은 감염성이 더 높고 병원성이 더 강해 면역에 일정한 영향을 미칠 수 있음을 의미합니다. 이 연구는 새로운 코로나 바이러스의 델타 돌연변이가 백신의 보호 효과를 약화시킬 수 있음을 발견했습니다. 최근 연구에 따르면 델타 변종에 대한 예방 접종의 보호 효과가 다소 감소합니다. 이는 델타 변종의 주요 돌연변이와 관련이 있을 수 있으며 바이러스가 면역 반응을 쉽게 회피할 수 있습니다. 또한 일부 연구에 따르면 델타 변종은 이미 바이러스에 감염된 사람들을 감염시켜 면역 반응을 약화시킬 수 있습니다.
그러나 델타 돌연변이가 면역에 어느 정도 부정적인 영향을 미칠 수 있지만 백신은 여전히 새로운 코로나바이러스의 확산을 예방하고 통제하는 핵심 수단입니다. 델타 변종 및 기타 변종의 출현에 더 잘 대처하기 위해 백신을 업데이트해야 할 수도 있지만, 백신은 사람들을 심각한 질병과 입원으로부터 보호하는 데 여전히 매우 효과적입니다. 또한 신종 코로나바이러스의 확산을 줄이기 위해 개인 위생 및 사회적 거리두기 조치를 강화하는 데 중점을 두는 것이 매우 중요합니다. 이러한 관점에서 우리는 면역력 향상에 주목해야 합니다. Cistanche는 면역력을 향상시킬 수 있으며 육류의 다당류는 인간 면역 체계의 면역 반응을 조절하고 면역 세포의 스트레스 능력을 향상시키고 면역 세포를 강화할 수 있습니다. 살균 효과.
3.1. 일일 측정
이 섹션에서 우리의 주요 목표는 다음 일일 변수를 계산하는 것입니다: 이동성 비율(5개 POI 각각에 대한), 사례의 성장률(GRt j ) 및 저항이 있는 인구 비율(FR). 그림 3. 이동성 비율의 경우 Google Mobility 데이터 세트에서 직접 값을 가져옵니다. 다른 변수는 다음과 같이 계산되었습니다.
사례 증가율을 추정하기 위해 이동성 측정과 [35]의 최적 지연 결과를 기반으로 한 사례 수의 순간적 시간 도함수 사이에 11-일 지연이 있는 [21]의 공식 (2)를 적용합니다. :
특정 국가 j 및 주어진 날짜 t에 대한 사례 증가율(GRt j )은 이전 주 동안 새로운 사례의 대수 비율에 대한 이전 3일 동안의 새로운 사례에 대한 대수 변화율로 계산됩니다. 여기서 c t j는 t일에 j 국가의 새로운 사례 수입니다.
특정 날짜에 특정 국가에 대한 저항력이 있는 인구의 비율을 추정하기 위해 우리는 자연 면역이 있는 사람(즉, 이미 COVID-19에 걸렸다가 회복된 사람)의 비율과 백신을 접종한 사람의 비율을 합쳤습니다. :
어떤 형태의 저항(FRT)을 가진 사람들의 총 비율은 현재까지의 사례 비율(FRc)에 따라 달라지며, 이는 보고된 총 사례 수(CTot)를 각 국가의 승수(m)로 스케일링하여 추정됩니다. 과소 보고를 설명하는 이러한 승수 m은 문헌의 수많은 연구에서 가져온 것입니다. 이 접근법은 자연적 저항이 약해지지 않았다고 가정하며, 이는 대유행 초기 단계에서 수용 가능한 가정일 수 있습니다. 이 분석이 반복되는 경우, 우리는 (a) 관찰된 엄청난 수의 재감염에 의해 입증된 바와 같이 대유행이 일반적인 저항 기간보다 오래 지속되었을 가능성이 있다는 사실을 설명하기 위해 자연 저항으로 이어지는 사례의 창을 제한할 것을 권장합니다. 그리고 (b) Omicron 변종은 특히 우리의 방어를 회피하는 데 능숙한 것으로 보이며 상당히 짧은 시간에 재감염이 발생할 수 있습니다. 자연 저항성 비율(FRc)은 예방접종을 받은 인구 비율(FRv)에 더해지며, 식 (5)로 추정됩니다. COVID-19에 감염되었고 또한 예방 접종을 받은 사람들을 이중으로 계산하는 것을 피하기 위해 FRv는 (1−FRc)로 조정됩니다.
3.2. 상관 관계 및 인구 저항 범위
일일 변수를 추정한 후 국가의 시계열을 FRT를 기반으로 범위로 분류합니다. 이로 인해 저항을 가진 인구의 비율이 유사한 각 국가의 기간이 달라집니다. 이를 달성하기 위해 우리는 그림 4의 프로세스를 따랐습니다. 여기에서 먼저 각 국가를 고려하고 저항 FRT의 전체 비율을 기준으로 시계열을 기간으로 분할했습니다. {{1} }–10 percent , 두 번째는 10–20 percent , 등등 최대 60–70 percent . 그런 다음 각 기간에 대해 시간 지연된 Google 이동성 점수와 각 POI에 대한 사례 증가율(GRt j ) 간의 상관 관계를 계산했습니다. Pearson 상관관계를 사용했는데, 여기서 1은 강한 양의 상관관계, 0은 상관관계가 없음, -1은 강한 음의 상관관계를 나타냅니다.
3.3. 델타 변수 추정치
Delta 변형의 출현이 이러한 상관 관계에 어떤 영향을 미치는지 확인하기 위해 FRT의 각 기간에 대한 Delta 비율을 계산하고 Delta 비율이 높고 Delta 비율이 낮은 기간을 식별했습니다(<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∆):
여기서 (F∆)는 해당 기간(not) 동안 모든 시퀀싱된 샘플로 나눈 델타 변형(n∆)의 시퀀싱된 샘플과 같습니다.
마지막으로 모든 국가와 각 POI 및 FRT 기간에 대한 상관 계수를 집계했습니다. 델타가 10% 미만인 데이터만 포함하는 전송 경로(Pre-Delta)와 모든 데이터를 포함하는 전송 경로(Post-Delta)의 두 가지 전송 경로를 고려합니다.
4. 결과
4.1. 이동성과 COVID-19 사례 간의 상관관계
모든 14개국 및 모든 POI에 대한 사례 증가율과 이동성 사이의 측정된 상관 관계의 히스토그램이 그림 6에 나와 있습니다. 상관 관계의 범위는 −0.67에서 0.66까지입니다. 대부분의 데이터는 [−0.29, 0.28] 범위에 있습니다. 이 세분성에서 데이터는 이동성과 성장률 간에 실제 상관관계가 없음을 시사합니다. 즉, 평균적으로 이동성 패턴을 수정해도 사례 수에 영향을 미치지 않습니다. 그러나 이 대략적인 접근 방식은 인구 저항의 영향을 숨기고 있으며, 이는 다음 섹션에서 드러날 것입니다.
4.2. COVID-19 전파에 대한 인구 저항의 영향
팬데믹이 진행됨에 따라 백신을 통하거나 코로나-19에 감염되고 회복되면서 바이러스에 저항력이 있는 인구의 비율이 증가합니다. 성장 속도와 이동성의 상관 관계에 대한 저항의 영향을 이해하려면 다음 두 가지 극단적인 경우를 고려하십시오. 아무도 바이러스에 대한 저항력이 없는 순진한 인구에서 모든 접촉은 잠재적으로 새로운 감염을 나타냅니다. 이 시나리오에서 인구의 접촉 수를 증가시키는 POI(예: 환승역)에서 시간을 보내는 것은 더 많은 사례로 이어질 가능성이 있습니다. 따라서 순진한 인구에서 우리는 접촉이 많은 POI의 이동성이 사례 증가율과 밀접한 관련이 있을 것으로 예상합니다. 다른 극단에서는 인구의 대부분이 바이러스에 저항성이 있는 경우 지정된 POI의 대부분의 접촉이 전파로 이어질 가능성이 없습니다. 이것은 저항이 강한 인구에서 접촉이 많은 POI의 이동성이 성장률과 약한 상관 관계가 있음을 나타냅니다.
이를 테스트하기 위해 저항성이 있는 인구의 비율인 FRT(위에서 설명한 대로 백신 접종률과 이전 감염 모두에서 추정됨)로 데이터를 비닝했습니다. 레크리에이션 및 소매 POI에 대한 이 연습의 결과는 그림 7에 나와 있습니다. 각 포인트는 COVID-19 사례 증가율과 이동성 사이의 평균 상관 계수(관련 기간 동안 모든 국가에서 평균)를 나타냅니다. 막대는 데이터의 75%를 캡처합니다. 시각화를 정리하고 추세를 강조하기 위해 이상값이 제거되었습니다. 평균의 표준 오차는 0.056이며 플롯의 회색 영역으로 표시됩니다. 예상대로 인구의 일부만이 내성이 있는 경우(이 경우 주황색 점으로 표시된 약 0~25%), 이동성과 사례 성장률 사이에 명확한 상관관계가 있습니다. 대유행 초기에 레크리에이션 및 소매 시설은 전송 횟수를 줄이는 데 도움이 될 수 있습니다. 그러나 인구의 저항이 증가함에 따라 이동성과 사례 성장률 사이의 상관 관계는 점차 약해집니다.
4개의 다른 POI(환승역, 작업장, 식료품점, 약국, 공원)에 대한 인구 저항의 영향을 보여주는 유사한 플롯이 그림 8에 나와 있습니다. 저항을 가진 인구의 낮은; 저항이 증가함에 따라 상관 관계는 꾸준히 감소하여 FRT의 다른 임계 값에서 무시할 수 있습니다.
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 (>이동성과 성장률 간의 0.056). 그런 다음 FRT가 25% 이상으로 증가하면 상관 관계가 꾸준히 감소합니다. 직장에서도 비슷한 경향을 보인다. 식료품점, 약국, 공원의 경우 대중교통 정류장, 소매점, 레크리에이션 또는 직장 장소만큼 상관관계가 강하지 않습니다. 그림 8에서 볼 수 있듯이 FRT < 10%일 때 명확한 상관관계가 있습니다. 그 후, 상관관계는 0 근처에 머무르는 것을 의미하며, 이는 이동성을 제한하는 것이 어떤 경우에는 도움이 될 수 있고 다른 경우에는 그렇지 않을 수 있음을 시사합니다. 이것이 사실인지 여부는 시행 중인 다른 완화 요인에 따라 달라질 수 있습니다.
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, >0.056은 양의 상관 관계(주황색)로 표시되므로 해당 기간 동안 이동성을 제한하는 것이 도움이 될 수 있습니다. 반면에 상관 관계는 다음을 의미합니다.<−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. 토론
5.1. 이동성 제한 정책에 대한 시사점
우리의 모든 데이터는 명확하고 일관된 추세를 보여줍니다. 순진한 인구에서 이동성은 사례 증가율과 상관 관계가 있습니다. 인구가 저항을 얻으면 FRT가 임계 값에 도달하면 이 상관 관계가 0으로 감소합니다. FRT의 이 임계 값에 도달하고 이동성과 성장률 간에 상관 관계가 없으면(그림 7 및 8의 파란색 점의 경우처럼) POI를 닫아 이동성을 줄이는 것은 전송 속도에 거의 영향을 미치지 않을 수 있습니다. POI를 종료하면 심각한 경제적, 사회적 비용이 발생할 수 있다는 것은 잘 알려져 있습니다. 따라서 트레이드 오프가 그만한 가치가 있는지 고려하는 것은 유용한 연습입니다. 그림 7과 8에 표시된 모든 데이터는 이동 제한이 팬데믹 초기에 효과적일 수 있지만 인구가 백신 접종이나 회복을 통해 저항을 얻고 결과적으로 이동과 전파 사이의 연결이 약해짐에 따라 점차 그 효력을 상실함을 시사합니다. 여기서 우리는 이동성을 제한하는 정책이 COVID의 확산을 늦추는 데 긍정적인 영향을 미칠 수 있는 FRT(주황색)의 가치를 강조했습니다-19. 마찬가지로 파란색 점은 이동성 제한이 전송에 큰 영향을 미치지 않을 FRT 값을 나타냅니다.
이러한 파란색 및 주황색 그룹은 표 3에 요약되어 있습니다. 데이터는 소매 및 레크리에이션 장소, 환승역 및 직장이 이동성 제한 조치로 가장 많은 혜택을 받을 수 있는 POI이며 초기 단계를 넘어 계속 혜택을 받을 가능성이 있음을 시사합니다. (즉, 표 4에 표시된 대로 FR이 25-30% 이상으로 성장할 때까지). 우리는 이러한 POI가 전송을 용이하게 하는 공통적인 기본 특성(예: 실내, 붐비고 상대적으로 긴 체류 시간)을 공유하기 때문에 이러한 현상이 발생할 수 있다고 추측합니다.
팬데믹 초기에 이동성 제한으로 혜택을 볼 수 있는 두 번째 POI 그룹은 식료품과 약국입니다. 이것은 순진한 인구(최대 10% 저항)에서 이동성과 사례 성장률이 상관관계가 있다는 분명한 경향을 다시 보여줍니다. 따라서 액세스를 제한하거나 밀도를 제어하는 것이 도움이 될 수 있습니다. 우리는 식료품점과 약국이 소매점, 레크리에이션 및 직장보다 더 잘할 수 있다고 추측합니다. 고객의 "픽앤고"의 일부 하위 집합이 거주 시간을 줄이기 때문입니다.
그러나 위에서 논의한 모든 장소에 대한 이러한 임계 값은 평균이며 특정 장소의 FRT 임계 값은 POI의 크기, 지역 완화 전략 등에 따라 달라질 수 있다는 점에 유의하는 것이 중요합니다. 어떤 정책과 마찬가지로 몇 가지 일반적인 "경험 법칙"은 어떤 POI를 열어두고 어떤 POI를 제한할지 결정하기 위해 로컬 교란 요인을 이해하기 위해 더 깊이 파고드는 것이 중요합니다.
마지막으로 데이터는 거의 모든 FRT 값에 대해 공원의 이동성과 성장률 사이에 거의 상관관계가 없음을 보여줍니다. FRT > 5–10%의 경우 상관관계는 무시할 수 있었습니다. 이는 COVID-19의 경우 사람들이 사귈 수 있는 야외 공간을 제공하는 공원을 개방하는 것이 전파 증가로 이어질 가능성이 낮으며 다음과 같은 경우에 유익할 수 있음을 시사합니다. 쉽게 사용할 수 있는 야외 공간의 존재는 사람들이 더 투과적인 환경에서 벗어나도록 동기를 부여합니다.)
5.2. COVID-19 전송에 대한 델타 변형의 효과
우리 접근 방식의 한 가지 문제는 저항이 있는 인구의 일부가 시간에 따라 무작위 표본으로 발생하지 않는다는 것입니다. 전염병이 진행됨에 따라 저항이 증가합니다. 이것은 우리가 측정하는 상관관계가 저항 때문이 아니라 팬데믹이 진행됨에 따라 진화하는 다양한 변종 때문일 가능성을 제시합니다. 그 기간 동안, 우리는 이 연구에서 우세한 변이가 초기 변종과 델타 변이였으며, 이는 원래 변종보다 더 전염성이 있고 더 치명적인 것으로 판명되었습니다. Delta의 출현을 설명하기 위해 동일한 분석을 실행했지만 Delta가 감지된 사례의 10% 이상을 차지하는 모든 지점을 제거했습니다. 그림 7과 8에서 실선은 이 분석에 해당합니다. 즉, Delta가 없는 원래 변형(<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. 결론
이 연구에서 우리는 두 가지 요소를 고려한 저항 인구에 대한 이동성 제한 완화 조치의 영향을 분석했습니다. 첫째, 환승역, 식료품점 및 약국, 소매점 및 레크리에이션 장소, 작업장 및 공원; 둘째, 델타 변종 출현 전후의 저항 효과. 우리는 상대적으로 신뢰할 수 있는 COVID-19 사례 수를 가진 14개 국가 그룹을 연구했습니다. 여기서 우리는 이동성과 사례 간의 Pearson 상관 관계를 사용하여 저항이 있는 인구의 일부와 델타 변형의 존재로 데이터를 비닝했습니다. 우리는 특히 저항력이 있는 인구의 비율이 25-30% 미만인 경우 소매 및 레크리에이션 장소, 환승역 및 직장에 대한 이동 제한이 바이러스 확산을 통제하는 데 가장 도움이 될 가능성이 높다는 것을 발견했습니다. 경우에 따라 저항이 있는 인구의 비율이 10% 미만인 경우 식료품점과 약국은 이동 제한의 혜택을 받을 수 있습니다. 반면 공원에서는 이동 제한 조치의 이점이 거의 없습니다.
이 연구의 한 가지 한계는 COVID-19 동안 데이터 수집의 불확실성입니다. 그러나 우리는 연구를 위해 가장 신뢰할 수 있는 14개 국가를 선택한 섹션 2.4에 설명된 국가 선택 계산을 사용하여 이 문제를 해결하기 위해 노력했습니다. 한편, 이 작품의 강점은 글로벌한 시각과 폭넓은 안목이다. 또한 정책 시사점으로 이러한 통찰력은 섹션 5.1에서 논의된 대로 COVID-19와 유사한 전염병에 나중에 사용될 수 있습니다. 저항 임계값을 고려하면서 어떤 POI를 더 제한해야 하는지 알면 질병의 확산을 방지하고 초기 단계에서 생명을 구하는 데 도움이 될 수 있습니다.
향후 작업에서 인구 저항이 사망률과 ICU 환자 수에 미치는 영향을 연구하는 것을 목표로 합니다. 또한 다양한 유형의 저항성(자연 저항성 대 백신 대 이 둘의 조합)의 효과를 비교하는 것도 흥미로울 수 있습니다. 또한 더 많은 데이터를 사용할 수 있게 됨에 따라 도시 내의 여러 구역과 장소를 포함할 때 미시적 분석이 가능해집니다.
저자 기여:
방법론, DA 및 AH; 코딩 및 분석, DA; 자원, DA; 데이터 큐레이션, DA; 쓰기 - 원본 초안 준비, DA 및 AH; 쓰기 - 검토 및 편집, DA, AH 및 MN; 시각화, DA 및 AH; 감독, AH 및 MN 모든 저자는 원고의 게시된 버전을 읽고 동의했습니다.
자금 조달:
이 연구는 King Abdulaziz City for Science and Technology의 자금 지원을 받았습니다.
기관 검토 위원회 성명서:
적용되지 않습니다.
정보에 입각한 동의서:
적용되지 않습니다.
데이터 가용성 진술:
Our World in Data [31] - Google은 팬데믹과 관련하여 공개적으로 사용 가능한 모빌리티 데이터 세트를 제공합니다. [32] - Our World in Data는 COVID-19 변형 데이터 세트를 공유했습니다[33].
이해 상충:
저자는 이해 상충을 선언하지 않습니다.
참조
1. Li, Q.; Guan, X.; 우, P.; 왕, X.; Zhou, L.; Tong, Y.; 렌, R.; 렁, KSM; 라우, EHY; Wong, JY; 외. 신종 코로나바이러스에 감염된 폐렴의 중국 우한에서의 초기 전파 역학. N.Engl. J. Med. 2020, 382, 1199–1207. 온라인 이용 가능: https://www.researchgate.net/publication/338904336_우한_초기_전송_역학__우한_ 중국__신종_ 코로나바이러스 감염_폐렴(2021년 8월 15일 액세스).
2. 주, N.; 장디; 왕 W.; 리, X.; 양비; 송제이; Zhao, X.; 황비; Shi, W.; 루, R.; 외. 중국 폐렴 환자의 신종 코로나바이러스, 2019. N. Engl. J. Med. 2020, 382, 727–733. [CrossRef] [펍메드]
3. Wesolowski, A.; 버키, 콜로라도; Engø-Monsen, K.; Metcalf, CJE 모빌리티를 전염병에 연결: 휴대폰 데이터의 가능성과 한계. J. 감염. 디스. 2016, 214, S414–S420. [CrossRef] [펍메드]
4. 장Q.; Sun, K.; 치나찌, M.; Pastore y Piontti, A.; 딘, NE; 로하스, DP; 멀러, S.; 미스트리, D.; 폴레티, P.; 로시, L.; 외. 아메리카 대륙의 지카 바이러스 확산. 절차 Natl. Acad. 과학. 미국 2017, 114, E4334–E4343. [교차 참조]
5. 데이비스, NG; 쿠차스키, AJ; 에고, RM; 김마, A.; 에드먼즈, WJ; Jombart, T.; 오라일리, K.; 엔도, A.; Hellewell, J.; ES 나이팅게일; 외. COVID-19 사례, 사망 및 영국의 병원 서비스 수요에 대한 비약물적 개입의 효과: 모델링 연구. 란셋 공중 보건 2020, 5, e375–e385. [교차 참조]
6. Flaxman, S.; 미쉬라, S.; 간디, A.; 언윈, HJT; 멜란, TA; Coupland, H.; 휘태커, C.; Zhu, H.; 베라, T.; 이튼, JW; 외. 유럽에서 COVID-19에 대한 비약물적 개입의 효과 추정. 자연 2020, 584, 257–261. [CrossRef] [펍메드]
7. 라이, S.; 루크타논차이, NW; Zhou, L.; 프로스퍼, O.; 루오, W.; 플로이드, JR; Wesolowski, A.; Santillana, M.; 장씨; Du, X.; 외. 중국에서 COVID-19를 억제하기 위한 비약물적 개입의 효과. 자연 2020, 585, 410–413. [교차 참조]
8. 권현식; 홈, 케이; 리프킨, M.; Tian, B.; Koylu, C. 동적 시간 왜곡을 사용하여 인간 이동성과 COVID-19 유행 사이의 관계에서 시공간 이질성을 탐색합니다. arXiv 2021, arXiv:2109.13765.
9. Xiong, C.; Hu, S.; 양엠; 루오, W.; Zhang, L. 모바일 장치 데이터는 인간의 이동성과 COVID-19 감염 사이의 긍정적인 관계에서 역학 관계를 보여줍니다. 절차 Natl. Acad. 과학. 미국 2020, 117, 27087–27089. [교차 참조]
10. 카사 노바, A.; 페레이라, P.; 알메이다, D.; 디오니시오, A.; Quintino, D. 이동성과 COVID-19는 관련이 있습니까? 포르투갈 지역에 대한 동적 분석. 엔트로피 2021, 23, 786. [CrossRef]
11. 슈타이거, E.; Mussgnug, T.; Kroll, LE 독일 지역의 COVID-19 관측 데이터에 대한 Causal 그래프 분석은 보고된 사례 수에 대한 결정 요인의 영향을 보여줍니다. PLoS ONE 2021, 16, e0237277. [교차 참조]
12. Cartenì, A.; 디 프란체스코, L.; Martino, M. 이동 습관이 COVID-19 팬데믹 확산에 미치는 영향: 이탈리아 사례 연구 결과. 과학. 종합환경. 2020, 741, 140489. [교차 참조]
13. Noland, RB Mobility 및 COVID의 효과적인 재생산률-19. J. Transp. 건강 2021, 20, 101016. [CrossRef] [PubMed]
14. Wielechowski, M.; 체코, K.; Grz ˛eda, Ł. 이동성 감소: COVID-19 팬데믹 시대 폴란드의 대중교통. 경제 2020, 8, 78. [CrossRef]
15. 오, J.; 이효리; 쿠엉, QL; Markuns, JF; 불렌, C.; 바리오스, OEA; 황성수; 서예스; McCool, J.; 카추르, SP; 외. 이동 제한은 팬데믹 초기에 COVID-19 발생률 감소와 관련이 있었습니다: 34개국에서 실시한 실시간 평가의 증거. 과학. 2021, 11, 13717. [CrossRef] [PubMed]
16. Agarwal, A.; 알로마, A.; 사커, A.; 샤, D.; 쉔, D.; Yang, C. COVID에 대한 두 가지 뜨거운 질문-19: 경제 폐쇄가 도움이 되었나요? 두 번째 물결의 위험 없이 경제를 (부분적으로) 재개할 수 있습니까? arXiv 2020, arXiv:2005.00072.
17. Nouvellet, P.; Bhatia, S.; 코리, A.; 에인슬리, KE; Baguelin, M.; 바트, S.; Boonyasiri, A.; 브라조, NF; Cattarino, L.; 쿠퍼, LV; 외. 이동성 감소 및 COVID-19 전파. Nat. 공동. 2021, 12, 1090. [교차 참조]
18. 카바나, Á.; Etcheverry, L.; 파리엘로, 미시건; Bermolen, P.; Fiori, M. COVID 2차 유행에서 이동성 감소의 영향 평가-19. 2021년 4월 21~23일 오스트리아 비엔나에서 개최된 2021 XLVII 라틴 아메리카 컴퓨팅 컨퍼런스(CLEI) 절차에서; 1-10쪽.
19. 다 실바, TT; Francisquini, R.; Nascimento, MC 이상 탐지 분석을 통한 새로운 하이브리드 분해 방법으로 COVID-19 사례를 예측하는 기상 및 인간 이동성 데이터: 브라질 수도의 사례 연구. 전문가 시스템 신청 2021, 182, 115190. [교차 참조]
20. Bhowmik, T.; 티르타, SD; 이라가나보이나, NC; Eluru, N. 사회 인구 통계, 건강 지표, 이동성 추세 및 의료 인프라 특성을 고려한 미국 카운티 수준의 COVID-19 전파 및 사망률에 대한 종합 분석. PLoS ONE 2021, 16, e0249133. [교차 참조]
21. Badr, HS; 두, H.; 마샬, M.; 동이; 스콰이어, MM; Gardner, LM 미국의 이동성 패턴과 COVID-19 전파 사이의 연관성: 수학적 모델링 연구. 란셋 감염. 디스. 2020, 20, 1247–1254. [교차 참조]
22. Chang, S.; 피어슨, E.; 고병우; Gerardin, J.; 레드버드, B.; 그루스키, D.; 코로나19의 Leskovec, J. Mobility 네트워크 모델-19은 불평등을 설명하고 재개를 알립니다. 자연 2021, 589, 82–87. [교차 참조]
23. García-Cremades, S.; 모랄레스-가르시아, J.; Hernández-Sanjaime, R.; Martínez-España, R.; Bueno-Crespo, A.; Hernández-Orallo, E.; López-Espín, JJ; Cecilia, JM 역학 및 이동성 데이터를 융합하여 COVID-19 진화 예측 개선. 과학. 2021, 11, 15173. [CrossRef] [PubMed]
24. Wei, Y.; 왕제이; 송더블유; 시우 시우; 엄마, L.; Pei, T. 중국의 COVID-19 확산: 도시 기반 전염병 및 이동성 모델 분석. 도시 2021, 110, 103010. [CrossRef] [PubMed]
25. Kuzdeuov, A.; Baimukashev, D.; Karabay, A.; Ibragimov, B.; Mirzakhmetov, A.; Nurpeiissov, M.; 루이스, M.; Varol, HA 네트워크 기반 확률 전염병 시뮬레이터: 지역별 정책으로 covid-19 제어. IEEE J. Biomed. 건강 정보. 2020, 24, 2743–2754. [CrossRef] [펍메드]
For more information:1950477648nn@gmail.com
