激情偷拍17p_无码作爱免费视频一级做_色老头在线视频免费观看_各种偷拍19p

原創(chuàng) towersimper 生物谷

本文系生物谷原創(chuàng)編譯，歡迎分享，轉(zhuǎn)載須授權(quán)！

預(yù)測COVID-19的流行病學(xué)是指導(dǎo)全球疫情應(yīng)對的一項重點工作。究竟是哪些因素推動了COVID-19在城市的傳播，這仍然是一個不清楚的，初步分析出氣候在決定疫情增長方面的作用是有限的。

傳染病傳播的空間異質(zhì)性可能受到當(dāng)?shù)厝丝诨蛉藛T流動差異的影響，因此，由于易感個體的較高接觸率，較高的人口密度可能促進病原體的傳播。對于呼吸道病原體來說，流行病中的病例時間聚類（即觀察到大多數(shù)病的最短時間）, 會隨著室內(nèi)擁擠程度的增加、社會經(jīng)濟因素和氣候因素發(fā)生變化。

對流感觀察，當(dāng)發(fā)病率在時間上均勻分布時，病例的時間集中度最??；當(dāng)發(fā)病率在特定天數(shù)內(nèi)變得更為集中時，病例的時間集中度會增加。在任何給定的地點，較高的病例時間集中度可能要求公共衛(wèi)生系統(tǒng)有更大的快速應(yīng)對能力，特別是對于新出現(xiàn)的呼吸道病原體，比如SARS-CoV-2。

中國和意大利詳細提供了廣泛地理背景下的COVID-19流行病學(xué)時間序列（time series）數(shù)據(jù)。因此，這兩個國家的疫情提供了一個機會來評估當(dāng)?shù)匾蛩卦谟绊懥餍胁⌒袨榉矫娴淖饔谩?

基于此，在一項新的研究中，來自英國牛津大學(xué)、美國東北大學(xué)、哈佛大學(xué)和波士頓兒童醫(yī)院等研究機構(gòu)的研究人員使用來自中國各個地級市和意大利各省的日常流行病學(xué)數(shù)據(jù)、氣候和人口數(shù)據(jù)以及利用百度和COVID-19聚合流動研究數(shù)據(jù)集（COVID-19 Aggregated Mobility Research Dataset）（https://www.google.com/covid19/mobility/）的人類流動數(shù)據(jù)衡量的對當(dāng)?shù)馗深A(yù)措施的反應(yīng)來確定傳播的驅(qū)動因素，重點關(guān)注病例的時間聚類在中國各個地級市和意大利各省之間如何不同。

相關(guān)研究結(jié)果于2020年10月5日在線發(fā)表在Nature Medicine期刊上，論文標題為“Crowding and the shape of COVID-19 epidemics”。

這些作者使用了中國各個地級市（n = 293）和意大利各個?。╪ = 108）匯總的COVID-19確診病例的每日發(fā)病率數(shù)據(jù)（圖1a）。中國的地級市和意大利的省是通常有一個城市中心的行政單位（圖1b）。他們匯總了從政府官方報告中收集到的個人層面的日常數(shù)據(jù)。

中國每個地級市的流行病學(xué)數(shù)據(jù)被截斷，以排除第一次流行期間報告病例的第一天之前和最后一天之后的日期。2020年3月1日以后報告的從國外輸入到中國的病例被排除在分析范圍之外。由于湖北省缺乏地級市流行病學(xué)數(shù)據(jù)，且在2020年1月20日之前的病例報告存在一致性問題，故剔除了湖北省的所有流行病學(xué)數(shù)據(jù)。中國各地級市的疫情曲線形狀不一，有的地級市報告病例快速上升和下降，有的地級市疫情持續(xù)時間較長（圖1a）。

圖1.中國地級市的人口密集分布圖，圖片來自Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0。

為了描述中國各個地級市和意大利各省病例的時間聚類特征，這些作者計算了新發(fā)病例分布的香農(nóng)多樣性指數(shù)（Shannon diversity index）。當(dāng)所有病例發(fā)生在同一天時，香農(nóng)多樣性指數(shù)最大；當(dāng)疫情期間每天的新發(fā)病例數(shù)相同時，香農(nóng)多樣性指數(shù)最小。中國每個地級市報告的COVID-19病例的總發(fā)病率與中國的香農(nóng)多樣性指數(shù)呈強烈的負相關(guān)（圖1c）。

因此，峰值較低的疫情具有較大的總發(fā)病率（皮爾遜相關(guān)系數(shù)r = -0.67，95%置信區(qū)間（CI），-0.73～-0.59，P＜0.01；對于意大利，R² = 0.33，P＜0.01）。他們推測，病例的總發(fā)病率和時間聚類在不同城市之間的差異是人口空間結(jié)構(gòu)的結(jié)果。

為了檢驗這一假設(shè)，這些作者使用了勞埃德平均擁擠度指數(shù)（Lloyd’s index of mean crowding），將每個空間網(wǎng)格單元的人口數(shù)視為一個獨立的單元來處理（圖1）。這里使用的術(shù)語“平均擁擠度”是一個特定的地理指標，它既概括了人口密度，也概括了人口密度在一個地級市內(nèi)的分布情況（圖1）。勞埃德平均擁擠度指數(shù)的數(shù)值越高，說明人口結(jié)構(gòu)在空間上是聚集的。他們還進行了對數(shù)線性回歸建模，以確定病例的時間聚類與社會經(jīng)濟變量和環(huán)境變量之間的關(guān)聯(lián)性，包括疫情爆發(fā)期間的人口流動減少。

這些作者發(fā)現(xiàn)病例的時間聚類與平均接觸人數(shù)顯著負相關(guān)（P <0.01），但與平均人口密度正相關(guān)（P <0.01），并且在中國和意大利之間差異很大（圖2）。這一觀察結(jié)果與預(yù)測易感個體的可獲得性增加使得在擁擠的地區(qū)出現(xiàn)較高的疫情峰值的經(jīng)典流行病學(xué)模型形成鮮明對比。最能解釋這種關(guān)系的空間尺度是10×10公里，不過這一結(jié)果在1和50平方公里之間的所有空間尺度都有統(tǒng)計學(xué)意義（P <0.01）。

圖2. 擁擠和中國COVID-19傳播的時間聚類，圖片來自Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0。

利用每周的人口流動性數(shù)據(jù)，這些作者發(fā)現(xiàn)疫情期間城市內(nèi)的人口流動性與病例的時間聚類相關(guān)---即流動性減少較大的地級市也有較低的疫情峰值（P＜0.01）。當(dāng)將流動性減少與擁擠度和濕度結(jié)合在一種模型中時，他們發(fā)現(xiàn)這些變量各自仍然是病例時間聚類的顯著預(yù)測因素（P <0.01）。這些結(jié)果表明，雖然減少流動性的措施可以成功地讓疫情曲線趨于平坦，但人口擁擠是造成這兩個國家流行病曲線形狀形成的一個獨立因素。

針對為何更擁擠的城市經(jīng)歷較少的曲線上有峰值的疫情，這些作者推測擁擠使得這種疾病在家庭成員之間和城市人口之間持續(xù)傳播，從而導(dǎo)致發(fā)病率在整個疫情期間廣泛分布。

為此，他們模擬了兩類人群的隨機流行病動力學(xué)。在簡單的、混合良好的傳播模型中，擁擠地區(qū)的接觸率很高，這與他們的研究結(jié)果并不一致，這是因為該模型預(yù)測擁擠地區(qū)會有更多時間上的聚集性疫情爆發(fā)。

為了反映現(xiàn)實的接觸模式，他們創(chuàng)建了分層結(jié)構(gòu)的人群，在這些人群中，個體在他們的社會單元（含義廣泛，比如表家庭、養(yǎng)老院、醫(yī)院和監(jiān)獄等）內(nèi)具有高接觸率；與來自其他社會單元但在同一社區(qū)內(nèi)的個人接觸率較低；與同一地級市內(nèi)其他社區(qū)的人接觸相當(dāng)稀少（圖3a）。

圖3. 在擁擠的人口中產(chǎn)生曲線上的峰較少的疫情，來自Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0。

這些假設(shè)與實施封鎖后的大多數(shù)傳播發(fā)生在家庭或其他密切接觸的情況下的報告相一致。在這種情形下，人口不那么密集的地級市往往有曲線上存在更多峰的持續(xù)時間更短的被隔離在特定社區(qū)的疫情，而人口比較密集的地級市可以維持更長時間的，最終規(guī)模更大的，并在聯(lián)系更緊密的社區(qū)之間蔓延的疫情（圖3b，c）。此外，如果COVID-19的再生數(shù)過度分散，那么由于接觸者的存在，擁擠可能使得當(dāng)?shù)匾咔榈靡愿鼜V泛地傳播。

這些作者還模擬了廣泛的社會隔離措施下的疫情爆發(fā)動態(tài)，如在中國各個地級市觀察到的（接觸率下降75%）。如果社會隔離使得所有地點的非家庭接觸減少了相同的相對數(shù)量，那么在擁擠的地區(qū)將有更多的接觸，這是因為基線接觸率較高。因此，在干預(yù)后，擁擠地區(qū)爆發(fā)的疫情在規(guī)模上可能會更大，需要更長的時間才能結(jié)束（圖3d和圖1c）。

利用來自中國的擬合模型，再結(jié)合全球綜合協(xié)變量（globally comprehensive covariate），這些作者將他們的研究結(jié)果外推到全球的310個城市（圖4），百度沒有提供中國以外城市的人類流動數(shù)據(jù)。因此，他們使用谷歌公司的COVID流動研究數(shù)據(jù)集中的聚合人類流動數(shù)據(jù)來捕捉人類流動在不同時期的相對差異。

在全球范圍內(nèi)，以黃色表示的城市被預(yù)測為疫情較為集中且達到高峰，而以藍色表示的城市被預(yù)測為疫情持續(xù)時間較長（圖4b）。一般來說，沿海城市的疫情峰值較低，規(guī)模較大，持續(xù)時間較長，這可能是由于沿海城市人口高度擁擠造成的。

圖4. 預(yù)測了全球的疫情峰值，來自Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0。

他們的模型預(yù)測，在相對不擁擠的城市，COVID-19病例的峰值會相對短暫、強烈，這是因為這些城市的居民都住在自己的社區(qū)，而不是自由地混雜在一起。然而，相比于農(nóng)村，在擁擠的城市的人們更有可能不得不應(yīng)對持續(xù)時間較長的疫情。比如，他們預(yù)測那些人口分布相對均勻的城市，如蒙古的烏蘭巴托，可能會出現(xiàn)短期的病例激增。

但是，在人口密度更高的城市中心，比如西班牙的馬德里，可能會出現(xiàn)更持久的疫情。這些預(yù)測依賴于中國和意大利城市的第一次流行病曲線的擬合關(guān)系，因此，在推廣到其他環(huán)境時應(yīng)非常謹慎地加以解釋。

參考資料：

1.Benjamin Rader et al. Crowding and the shape of COVID-19 epidemics. Nature Medicine, 2020, doi:10.1038/s41591-020-1104-0.

2.COVID research updates: Dense cities should brace for long coronavirus outbreaks

https://www.nature.com/articles/d41586-020-00502-w

3.Research emphasises need for COVID-19 vigilance in tight-knit communities

https://medicalxpress.com/news/2020-10-emphasises-covid-vigilance-tight-knit.html