基于运动建模COVID-19感染可以改善公共卫生应对
像COVID-19这样的流行病依赖于感染者与未感染者的混合,这种接触通常需要其中一人或两人四处走动。一种大流行感染过程建模的新方法结合了智能手机的位置数据,使公共卫生政策制定者更准确地了解社区中人们的混合方式,以及在哪里以及如何集中精力。
“大多数COVID-19模型采用一个县或一组人口普查区,并在许多方面将人口视为同质群体,”威斯康星大学麦迪逊分校研究小组成员、地理学教授高松(Song Gao)说。他本周在《纽约时报》上描述了这种新的建模方法美国国家科学院学报.“当我们查看人口普查区的报告时,我们看到一些地区的感染率很高,但邻近地区的确诊病例很低。”
这使得邻近地区的居民之间的混合似乎不太可能,因此研究人员将威斯康星州两个人口最多的县(Dane和Milwaukee)的手机旅行起点和目的地的匿名数据提供给了一个研究机构机器学习算法这将县划分为新的次区域。
“该算法利用人口流动的信息,将每个县重新划分为内部流动性较高的更小的子区域。每个新的次区域的人们之间的互动最多,”高说。
研究人员的新次区域揭示了人口分离,这可能被视为每个县COVID-19感染达到峰值的关键。
“戴恩县最显著的异质性是社区之间年龄结构的差异,”高说。“在密尔沃基县,最显著的差异是种族和民族多样性。”
这与这些县在2020年夏天爆发疫情的方式一致。戴恩县在其最年轻的次区域感染率飙升,这是由以年轻人群经常光顾的酒吧为中心的聚集性感染引起的。密尔沃基县的大流行对集中在两个地区的黑人和西班牙裔社区产生了巨大影响,这两个地区也被流动性数据确定为相对孤立的次区域。
高说:“对这些次区域内部和之间的流动性进行建模,让我们更好地了解我们所处的感染情况是如何发生的,有机会调查一些你可能称之为超级传播事件的事件,并可以帮助政策制定者调查为什么特定的一天有很高的感染率。”他的工作由美国国家科学基金会资助。
研究团队包括地理学家、数学家、流行病学家和传播专家,他们使用该模型来检查每个县放宽限制的决定,因为大流行似乎在2020年年中有所减弱。
例如,在5月和6月的步骤中,戴恩县(Dane County)允许企业(包括酒吧)在6月15日的营业容量达到正常水平的25%和50%。到6月30日,在毗邻威斯康辛大学麦迪逊分校的明显年轻的次区域,感染率上升到每千名居民11.6例。根据包含移动的数学建模方法(非控制实验),不放松这些相互作用的检查将会限制感染比率为3.4‰,是实际差距的三分之一。
结合流动性和人流量数据可以帮助公共卫生机构确定其社区需要解决的独特方面,以阻止大流行病毒的传播。
高说:“我们可以根据不同类型的异质性,设计出针对不同地区的政策,而不是实施一刀切的政策。”
进一步探索