covid19 , Lockdown si izolarea la domiciliu- studiu din prestigioasa publicatie NATURE

https://www.nature.com/articles/s41598-021-84092-1

Politica de ședere la domiciliu este un caz de eroare de excepție: un studiu ecologic bazat pe internet

Rapoarte științifice volum 11 , Număr articol:  5313 ( 2021 ) Citați acest articol

11 martie 2021 Nota editorului: Cititorii sunt avertizați că concluziile acestui articol sunt supuse criticilor care sunt luate în considerare de către editori. Un răspuns editorial suplimentar va urma după ce tuturor părților li se va oferi posibilitatea de a răspunde integral.

Abstract

Un model matematic recent a sugerat că a rămâne acasă nu a jucat un rol dominant în reducerea transmisiei COVID-19. Al doilea val de cazuri din Europa, în regiunile care au fost considerate controlate de COVID-19, poate ridica unele îngrijorări. Obiectivul nostru a fost să evaluăm asocierea dintre șederea acasă (%) și reducerea / creșterea numărului de decese cauzate de COVID-19 în mai multe regiuni din lume. În acest studiu ecologic, datele de pe www.google.com/covid19/mobility/, ourworldindata.org și covid.saude.gov.br au fost combinate. Au fost incluse țările cu> 100 decese și cu un indice de acces și calitate a asistenței medicale ≥ 67. Datele au fost preprocesate și analizate folosind diferența dintre numărul de decese / milion între 2 regiuni și diferența dintre procentul de ședere la domiciliu. Analiza a fost efectuată utilizând regresia liniară cu o atenție deosebită asupra analizei reziduale. După preprocesarea datelor, au fost incluse 87 de regiuni din întreaga lume, rezultând 3741 de comparații perechi pentru analiza de regresie liniară. Doar 63 (1,6%) comparații au fost semnificative. Cu rezultatele noastre, nu am putut explica dacă mortalitatea prin COVID-19 este redusă rămânând acasă în ~ 98% din comparații după săptămânile epidemiologice 9-34.

Introducere

Până la sfârșitul lunii ianuarie 2021, aproximativ 2,1 milioane de oameni din întreaga lume muriseră din cauza noului coronavirus (COVID-19) 1 . Purtarea măștilor, luarea măsurilor de precauție personale, testarea COVID-19 și distanțarea socială au fost susținute pentru controlul pandemiei 2 , 3 , 4 . Pentru a obține controlul sursei și a opri transmiterea, distanțarea socială a fost interpretată de mulți ca stând acasă. Astfel de politici în mai multe jurisdicții au fost sugerate de unii experți 5 . Aceste măsuri au fost sprijinite de Organizația Mondială a Sănătății 6 , 7 , autoritățile locale 8 , 9 , 10 și încurajate pe platformele de socializare11 , 12 , 13 .

Unele modele matematice și meta-analize au arătat o reducere marcată a cazurilor COVID-19 14 , 15 , 16 , 17 , 18 , 19 și deceselor 20 , 21 asociate cu politicile de blocare. Cercetătorii brazilieni au publicat modele matematice ale modelelor de răspândire 22 și au sugerat implementarea măsurilor de distanțare socială și a politicilor de protecție pentru controlul transmiterii virusului 23 . Până la 5 mai 2020, un raport timpuriu, care utilizează numărul de zile de stingere în 49 de țări, a găsit dovezi că blocarea ar putea fi utilizată pentru a suprima răspândirea COVID-19 24. Măsuri pentru a aborda au fost adoptate COVID-19 pandemie cu nefarmaceutice interventii (IFSL) după Brazilia a adoptat Legea nr 13979 25 , iar acest lucru a fost urmat de mai multe state , cum ar fi Rio de Janeiro 26 , Districtul Federal al Brasília (Decretul nr 40520, din 14 martie 2020) 27 , orașul São Paulo (Decretul nr. 59.283, din 16 martie 2020) 28 și statul Rio Grande do Sul (Decretul nr. 55240/2020, din data de 10 mai 2020 ) 29 . Se aștepta ca, cu aceste acțiuni, numărul deceselor cauzate de COVID-19 să fie redus. De remarcat, cel mai populat stat al țării, São Paulo, a adoptat măsuri riguroase de carantină și le-a pus în aplicare pe 24 martie 2020 28. La nivel internațional, Peru a adoptat cel mai strict blocaj din lume 30 .

Recent, Google LLC a publicat seturi de date care indică modificări ale mobilității (comparativ cu o linie de bază medie înainte de pandemia COVID-19). Aceste rapoarte au fost create cu seturi agregate, anonimizate de date zilnice și dinamice la nivel de țară și subregional extrase de la utilizatori care au activat setarea Istoricul locațiilor pe telefoanele lor mobile. Aceste date reflectă schimbările din comportamentul social din lumea reală și oferă informații despre tendințele de mobilitate pentru locuri precum magazine alimentare, farmacii, parcuri, stații de transport public, locații de vânzare cu amănuntul și recreere, reședințe și locuri de muncă, în comparație cu perioada de referință anterioară pandemiei. 31. Mobilitatea în locurile de reședință oferă informații despre „timpul petrecut în reședințe”, pe care îl vom numi în continuare „rămâne acasă” și îl vom folosi ca surogat pentru măsurarea respectării politicilor de ședere la domiciliu.

Studiile care utilizează rapoartele de mobilitate comunitară Google COVID-19 și numărul zilnic de noi cazuri de COVID-19 au arătat că peste 7 săptămâni o corelație puternică între rămânerea acasă și reducerea cazurilor de COVID-19 în 20 de județe din Statele Unite 32 ; Cazurile COVID-19 au scăzut cu 49% după 2 săptămâni de ședere la domiciliu 33 ; incidența cazurilor noi / 100.000 de persoane a fost, de asemenea, redusă 34 ; politicile de distanțare socială au fost asociate cu reducerea răspândirii COVID-19 în SUA 35 ; precum și în 49 de țări din întreaga lume 24 . Un raport recent care utilizează date braziliene și europene a arătat o corelație între stringența NPI și răspândirea COVID-19 36 , 37; aceste analize sunt discutabile, totuși, datorită perioadei lor scurte de timp și a tipului de comportament al seriei temporale 38 , sau pentru utilizarea corelației Pearson în contextul seriilor temporale 35 non-staționare . Aceleași instrumente statistice nu pot fi aplicate la seriile de timp staționare și non-staționare la fel 39 , iar acesta din urmă este cazul acestor date COVID-19. O analiză sistematică Cochrane din 2020 a acestui subiect a raportat că nu erau complet siguri cu privire la aceste dovezi din mai multe motive. Studiile COVID-19 și-au bazat modelele pe date limitate și au făcut presupuneri diferite despre virusul 17 ; variabila de ședere la domiciliu a fost analizată ca indicator binar 40; iar numărul de cazuri noi ar fi putut fi substanțial nedocumentat 41 ; toate cele care ar fi putut influența rezultatele. S-a propus un model matematic sofisticat bazat pe un sistem dimensional înalt de ecuații diferențiale parțiale pentru a reprezenta răspândirea bolii 42 . Conform acestui model, șederea acasă nu a jucat un rol dominant în transmiterea bolii, dar combinația acestora, împreună cu utilizarea măștilor faciale, spălarea mâinilor, detectarea precoce a cazurilor (testul PCR) și utilizarea igienizantelor pentru mâini timp de cel puțin 50 de zile ar fi putut reduce numărul de cazuri noi. În cele din urmă, după 2 luni, simulările care au condus lumea la blocare au fost puse sub semnul întrebării 43. Aceste studii au aplicat modele epidemiologice relativ complexe, cu presupuneri sau parametri nerealiști, care au fost fie aleși de utilizator, fie nu se consideră că funcționează corect. Mai mult, efectele ratelor de deces au fost deduse direct din urma unei intervenții date fără un grup de control. În cele din urmă, întârzierea temporală între introducerea unei anumite intervenții și variația reală măsurabilă a ratelor de deces nu a fost luată în considerare în mod corespunzător 44 , 45 .

Rațiunea pe care o căutăm este asocierea dintre două variabile: decese / milion și procentul de persoane care au rămas în reședințele lor. Cu toate acestea, comparația este dificilă din cauza naturii nestatare a datelor. Pentru a depăși aceste probleme, am propus o abordare nouă pentru a evalua asocierea dintre valorile de ședere la domiciliu și reducerea / creșterea numărului de decese cauzate de COVID-19 în mai multe regiuni din întreaga lume. Dacă variația diferenței dintre numărul de decese / milion în două țări, să spunem A și B, și variația diferenței valorilor de ședere la domiciliu între A și B prezintă modele similare, acest lucru se datorează unei asocieri între două variabile. În schimb, dacă aceste tipare sunt foarte diferite,aceasta este o dovadă că valorile rămânerii la domiciliu și numărul deceselor / milionului nu sunt legate (cu excepția cazului în care, desigur, sunt în joc și alți factori care nu sunt contabili). Având în vedere acest lucru, abordarea propusă evită cu totul problemele enumerate mai sus, permițând o nouă abordare a problemei.

După mai mult de 25 de săptămâni epidemiologice ale acestei pandemii, este deosebit de interes să verifice dacă șederea acasă a avut impact asupra ratelor mortalității. O căutare PUBMED cu termenii „COVID-19” ȘI (Mobilitate) (căutare făcută la 8 septembrie 2020) a dat 246 de articole; dintre acestea, 35 au fost relevante pentru măsurile de mobilitate și COVID-19, dar niciuna nu a comparat reducerea mobilității cu ratele de mortalitate.

Rezultate

O diagramă a manipulării datelor este prezentată în Fig.  1 . Pe scurt, datele raportului Google COVID-19 privind mobilitatea comunității în perioada 16 februarie – 21 august 2020 au generat 138 de țări și regiuni separate. Site-ul web Lumea noastră în date a furnizat date despre 212 de țări (între 31 decembrie 2019 și 26 august 2020), iar site-ul web al Ministerului Sănătății din Brazilia a furnizat date despre toate statele (n = 27) și orașele (n = 5.570) din Brazilia (25 februarie – 26 august 2020).

figura 1
figura 1

După compilarea datelor, au fost selectate un total de 87 de regiuni și țări: 51 de țări, 27 de state din Brazilia, șase capitale majore ale statului brazilian [Manaus, Amazonas (AM), Fortaleza, Ceará (CE), Belo Horizonte, Minas Gerais (MG) , Rio de Janeiro, Rio de Janeiro (RJ), São Paulo, São Paulo (SP) și Porto Alegre, Rio Grande do Sul (RS)] și trei orașe importante din întreaga lume (Tokyo, Berlin și New York) (Fig. .  1 ).

Caracteristicile acestor 87 de regiuni sunt prezentate în Tabelul 1 (detalii suplimentare sunt în Material Suplimentar – Caracteristicile Regiunilor).Tabelul 1 Caracteristicile celor 87 de regiuni și țări utilizate pentru comparație în studiu. IDU = Indicele dezvoltării umane (cu cât este mai mare, cu atât mai bine).Masă completă 

Comparații

Analiza restrictivă între zonele controlate și necontrolate a dat 33 de comparații adecvate, așa cum se arată în Tabelul 2 . O singură comparație din 33 (3%) – statul Roraima (Brazilia) versus statul Rondonia (Brazilia) – a fost semnificativă (valoarea p = 0,04). După corecția pentru analiza reziduală, nu a trecut testul de autocorelație (testul Lagrange Multiplier = 0,04). (Mai multe detalii se găsesc în Material suplimentar — Analiză restrictivă).Tabelul 2 Comparații utilizând criteriile în 4 puncte. Comparabilitatea a fost luată în considerare dacă cel puțin 3 din 4 dintre următoarele condiții au fost similare: a) densitatea populației, b) procentul populației urbane, c) Indicele de dezvoltare umană și d) aria totală a regiunii. Similitudinea a fost considerată adecvată atunci când o variație a condițiilor a), b) și c) a fost în limita a 30%, în timp ce, pentru starea d), o variație de 50% a fost considerată adecvată (Detalii suplimentare se găsesc în Materialul suplimentar auxiliar – criteriile de 4 puncte) .Masă completă 

Comparația globală a generat 3.741 de combinații; dintre aceștia, 184 (4,9%) au avut o valoare p <0,05, după corectarea ratei de descoperire falsă (Tabelul S1 ). După efectuarea analizei reziduale, prin testarea cointegrării dintre răspuns și covariabil, normalitatea reziduurilor, prezența autocorelației reziduale, homoscedasticitate și specificații funcționale, doar 63 (1,6%) dintre modele au trecut toate testele (Tabelul S2 ). Inspecția mai atentă a mai multor cazuri în care modelul nu a trecut toate testele a relevat un factor comun: prezența valorilor aberante, în principal datorită diferențelor în săptămâna epidemiologică în care au început să fie raportate decesele. O hartă de căldură care arată comparația între cele 87 de regiuni este prezentată în Fig.  2 .

figura2
Figura 2

Caracteristicile acestor 87 de regiuni sunt prezentate în Tabelul 1 (detalii suplimentare sunt în Material suplimentar auxiliar – Caracteristicile regiunilor).

Comparații

Restrictiva Analiza între zonele controlate controlate și nu a dat 33 de comparații adecvate, așa cum se arată în tabelul 2 . O singură comparație din 33 (3%) – statul Roraima (Brazilia) versus statul Rondonia (Brazilia) – a fost semnificativă (valoarea p = 0,04). După corecția pentru analiza reziduală, nu a trecut testul de autocorelație (valoarea p a testului multiplicator Lagrange = 0,04). (Mai multe detalii se găsesc în Material suplimentar auxiliar – Analiză restrictivă).

Globală Comparația a dat 3,741 combinații; dintre aceștia, 184 (4,9%) au avut o valoare p <0,05, după corectarea ratei de descoperire falsă ( supl. Tabel S1 ). După efectuarea analizei reziduale, prin testarea cointegrării dintre răspuns și covariabil, normalitatea reziduurilor, prezența autocorelației reziduale, homoscedasticitate și specificații funcționale, doar 63 (1,6%) dintre modele au trecut toate testele (Tabelul S2 —plus). Inspecția mai atentă a mai multor cazuri în care modelul nu a trecut toate testele a relevat un factor comun: prezența valorilor aberante, în principal datorită diferențelor în săptămâna epidemiologică în care au început să fie raportate decesele. O hartă de căldură care arată comparația între cele 87 de regiuni este prezentată în Fig.  2 .

Discuţie

Nu am reușit să explicăm variația deceselor / milionului în diferite regiuni ale lumii prin izolarea socială, analizată aici ca diferențe de ședere la domiciliu, comparativ cu valoarea inițială. În comparațiile restrictive și globale , doar 3% și 1,6% dintre comparații au fost semnificativ diferite, respectiv. Aceste descoperiri sunt în conformitate cu cele găsite de Klein și colab. 46 Acești autori explică de ce blocarea a fost cauza cea mai puțin probabilă a ratei ridicate a mortalității din Suedia din cauza COVID-19 46. La fel, Chaudry și colab. a făcut o analiză exploratorie la nivel de țară, utilizând o varietate de caracteristici socioeconomice și legate de sănătate, similară cu ceea ce am făcut aici și a raportat că blocările complete și testarea pe scară largă nu au fost asociate cu mortalitatea COVID-19 la un milion de oameni 47 . Diferit de Chaudry și colab., În setul nostru de date, după 25 de săptămâni epidemiologice, (începând cu a 9-a săptămână epidemiologică în 2020) am inclus regiuni și țări cu un „platou” și o fază de pantă în curbele lor epidemiologice. Constatările noastre sunt în conformitate cu setul de date privind decesele zilnice confirmate de COVID-19 / milion în Marea Britanie. Pub-uri, restaurante și frizerii au fost deschise în Irlanda pe 29 iunie, iar măștile nu erau obligatorii 48; după mai mult de 2 luni, nu s-a observat nici un vârf; într-adevăr, mortalitatea a continuat să scadă 49 . Peru a fost considerată a fi cea mai strictă țară de blocare din lume 30 , cu toate acestea, până la 20 septembrie, avea cel mai mare număr de decese / milioane 50 . De remarcat, s-au observat diferențe și între regiunile considerate a fi controlate de COVID-19, de exemplu, Suedia versus Macedonia. Explicațiile posibile pentru aceste diferențe semnificative pot fi legate de magnitudinea deceselor din aceste țări. După octombrie 2020, când studiul nostru a fost publicat într-un server de preimprimare pentru Științe ale sănătății, au fost publicate articole noi cu rezultate similare 51 , 52 , 53 , 54 .

Rezultatele noastre sunt diferite de cele publicate de Flaxman și colab. Autorii au aplicat un calcul foarte complex conform căruia NPIs ar preveni 3,1 milioane de decese în 11 țări europene 44 . Rezultatele discrepante pot fi explicate prin diferite abordări ale datelor. În timp ce Flaxman și colab. a presupus un număr de reproducere constant ( t ) pentru a calcula numărul total de decese, care în cele din urmă nu a avut loc, am calculat diferența dintre numărul real de decese dintre 2 țări / regiuni. Proiecțiile publicate de Flaxman și colab. 44 au fost contestate de alți autori. Kuhbandner și Homburg au descris logica circulară pe care a implicat-o acest studiu. Flaxman și colab. estimat tdin decesele zilnice asociate cu SARS-CoV-2 folosind o restricție a priori că t se poate modifica doar în acele date când intervențiile devin eficiente. Cu toate acestea, în cazul unei populații finite, numărul efectiv de reproducere scade automat și neapărat în timp, deoarece numărul de infecții ar diferi de 55 . Un raport recent de preimprimare de la Chin et al. 56 a explorat cele două modele propuse de Colegiul Imperial 44prin extinderea domeniului de aplicare la 14 țări europene din cele 11 țări studiate în lucrarea originală. Au adăugat un al treilea model care a considerat interzicerea evenimentelor publice ca fiind singurul covariabil. Autorii au ajuns la concluzia că beneficiile revendicate ale blocării par a fi exagerate, deoarece inferențele trase din efectele NPIs nu sunt robuste și foarte sensibile la specificațiile modelului 56 .

Aceeași explicație pentru discrepanță poate fi aplicată și altor publicații în care au fost create modele matematice pentru a prezice rezultatele 14 , 15 , 16 , 17 , 18 . Majoritatea acestor studii au tratat cazuri COVID-19 33 , 34și nu decese observate. În ciuda limitărilor sale, decesele raportate sunt probabil mai fiabile decât datele cazurilor noi. Explicații suplimentare pentru diferite rezultate din literatură, pe lângă aspectele metodologice, ar putea fi justificate de complexitatea dinamicii virusului, de interacțiunea sa cu mediul sau pot fi legate de un model sezonier care, prin coincidență, a fost stabilit în același timp moment în care ratele de infecție au început să scadă din cauza dinamicii sezoniere 57. Nu este înțelept să încercăm să explicăm o condiție complexă și multifactorială, cu modificările constante inerente, folosind o singură variabilă. O abordare inițială ar folosi o regresie liniară pentru a verifica influența unui factor asupra unui rezultat. Aici nu am putut identifica această asociație. Studiul nostru nu a fost conceput pentru a explica de ce măsurile de ședere la domiciliu nu conțin răspândirea virusului SARS-CoV-2. Cu toate acestea, explicațiile posibile care necesită analize suplimentare pot implica factori genetici 58 , creșterea încărcăturii virale și transmiterea în gospodării și în spații apropiate unde ventilația este redusă.

Acest studiu are câteva limitări. Diferit de paradigma stabilită a studiului clinic randomizat, acesta este un studiu ecologic. Un studiu ecologic observă constatările la nivel de populație și generează ipoteze 59 . Studiile la nivel de populație joacă un rol esențial în definirea celor mai importante probleme de sănătate publică care trebuie abordate 59, care este cazul aici. O altă limitare a fost utilizarea rapoartelor Google privind mobilitatea comunității ca un indicator surogat pentru a rămâne acasă. Acest lucru poate subestima valoarea reală: de exemplu, dacă telefonul mobil al unui utilizator este oprit în timp ce este acasă, observația va lipsi din baza de date. În plus, eșantionul nu reprezintă 100% din populație. Cu toate acestea, acest instrument a fost folosit de alți autori pentru a demonstra eficacitatea în reducerea numărului de cazuri noi după NPI 60 , 61 . Utilizarea diferitelor metodologii pentru măsurarea mobilității poate introduce prejudecăți și ar împiedica comparații între diferite țări. Numărul deceselor poate fi o altă problemă. Cifrele de deces pot fi subestimate, cu toate acestea, decesele raportate pot fi mai relevante decâtdate de caz noi . Criteriile arbitrare utilizate pentru includerea țărilor și regiunilor, comparațiile restrictive și definirea noastră a unei zone sub controlul COVID-19 sunt deschise pentru critică. Cu toate acestea, aceste criterii arbitrare au fost create a priori pentru selectarea țărilor. Cu aceste criterii, ne-am așteptat să obținem regiuni reprezentative ale lumii, să comparăm regiuni similare și să obținem date exacte. Prin utilizarea unui HAQI ≥ 67, am presupus că datele din aceste țări ar fi corecte, fiabile, iar condițiile de sănătate au fost în general bune. Cu toate acestea, analiza globală a regiunilor ( \ (n = 3741 \) comparații) a depășit orice problemă a comparației restrictive . Într-adevăr, globalulcomparația a confirmat rezultatele găsite în cea restrictivă ; doar 1,6% din ratele de deces ar putea fi explicate prin rămânerea acasă. De asemenea, dimensiunea noastră eficientă a eșantionului în toate studiile este de doar 25 de săptămâni epidemiologice, ceea ce reprezintă o dimensiune foarte mică a eșantionului pentru o regresie a seriei temporale. Mărimea redusă a eșantionului și natura non-staționară a datelor COVID-19 sunt provocări pentru modelele statistice, dar analiza noastră, cu 25 de săptămâni epidemiologice, este relativ mai mare decât publicațiile anterioare care foloseau doar 7 săptămâni 62 . Un scurt interval de observație între introducerea unui NPI și efectul observat asupra ratelor de deces nu produce nicio concluzie solidă și este un caz în care perioada de urmărire nu este suficient de lungă pentru a capta rezultatul, așa cum s-a văzut în publicațiile anterioare 44 ,45 . Efectele eșantioanelor mici în acest caz sunt legate de posibile erori mari de tip II și afectează, de asemenea, consistența estimărilor obișnuite cu cel mai mic pătrat. Cu toate acestea, dată fiind importanța izolării sociale promovată de autoritățile mondiale 63 , ne așteptam la o incidență mai mare a comparațiilor semnificative, chiar dacă ar putea fi o eroare ecologică. Numărul scăzut de asocieri semnificative între regiuni pentru rata mortalității și procentul de ședere la domiciliu poate fi un caz de eroare de excepție, care este o generalizare a caracteristicilor individuale aplicate la caracteristicile la nivel de grup 64 .

Există puncte forte de evidențiat. Au fost încorporate criteriile de incluziune și Indicele de acces și calitate al asistenței medicale. Am obținut regiuni reprezentative din întreaga lume, inclusiv orașe importante de pe 4 continente diferite. O atenție specială a fost acordată compilării și analizei setului de date. De asemenea, am conceput o abordare adaptată pentru a face față provocărilor prezentate de date. Din câte știm, abordarea noastră de modelare este unică în combinarea informațiilor din mai multe țări simultan, utilizând date actualizate. Unele criterii, cum ar fi densitatea populației, procentul populației urbane, IDU și HAQI, au fost stabilite pentru a compara regiuni similare. În cele din urmă, am acordat o atenție specială analizei reziduale în regresia liniară, un aspect absolut esențial al studiilor folosind probe mici.

În concluzie, folosind această metodologie și datele actuale, în aproximativ 98% din comparații folosind 87 de regiuni diferite ale lumii, nu am găsit nicio dovadă că numărul deceselor / milionului este redus rămânând acasă. Diferențele regionale în metodele de tratament și evoluția naturală a virusului pot fi, de asemenea, factori majori în această pandemie și sunt necesare studii suplimentare pentru a o înțelege mai bine.

Metode

Justificare și abordare pentru analiza datelor seriilor cronologice

Abordarea propusă a fost adaptată pentru a prezenta o modalitate de evaluare a influenței timpului petrecut acasă și a numărului de decese între două țări / regiuni evitând în același timp problemele comune ale altor modele prezentate în literatură. Ne-am concentrat pe detectarea variației diferențelor dintre numărul de decese și cât de mulți oameni au urmat comenzile de ședere la domiciliu în două regiuni în fiecare săptămână epidemiologică.

De exemplu, să luăm în considerare două regiuni similare pe care le vom numi „Stai în județ” și „Ieși în județ”. Ambele regiuni au început cu același număr de cazuri. După înregistrarea primelor 1000 de cazuri, județul Stay In a declarat că toți oamenii ar trebui să rămână acasă, în timp ce județul Go Out a permis oamenilor să circule liber. După câteva săptămâni epidemiologice, examinăm datele colectate cu privire la numărul de decese din ambele județe și cât timp au rămas oamenii acasă, utilizând software-ul de geolocalizare. Dacă diferența dintre numărul deceselor din șederea în județ și județul Out Out (variabila A) este afectată de diferența dintre procentul de timp în care oamenii au stat acasă în aceste două zone (variabila B), atunci putem considera că diferența numărul deceselor cauzate de COVID-19 este influențat de diferența dintre procentul de timp în care oamenii au rămas acasă.Ambele efecte pot fi detectate folosind regresia liniară și examinarea atentă a problemei.

Seriile cronologice privind mortalitatea COVID-19 (decese / milioane) prezintă un model nestatiar. Datele zilnice prezintă un comportament sezonier foarte distinct la sfârșit de săptămână, cu văi sâmbăta și duminica urmate de vârfuri luni (Figura S1). Pentru a ține cont de sezonalitate, se pot introduce variabile fictive pentru sâmbăta, duminica și luni, se regresează numărul de decese din aceste variabile fictive și apoi se analizează reziduurile. Cu toate acestea, în majoritatea cazurilor, reziduurile sunt încă nestatiare și ar fi necesar un tratament special în fiecare caz. Deși această abordare poate fi fezabilă pentru câteva serii, suntem interesați să analizăm sute de serii temporale din diferite țări și regiuni. Prin urmare, avem nevoie de un mod mai eficient de a trata această cantitate de date. Covariabilele prezintă o altă problemă în regresarea seriei de timp zilnice a deceselor / stării acasă. Covariabilele sunt de obicei corelate cu termenii de eroare din cauza politicilor publice adoptate de regiuni / țări. Mecanismele care controlează izolarea socială sunt legate intrinsec de numărul de decese / cazuri din fiecare locație.O creștere a ratei mortalității poate determina adoptarea unor politici mai stricte, ceea ce crește procentul de persoane care stau acasă. Această schimbare determină un dezechilibru între numărul observat de decese și rămânerea la nivel de casă. Într-un model de regresie, această discrepanță este contabilizată în termenul de eroare. Prin urmare, termenul de eroare se va modifica în funcție de rămânerea la nivel de casă.

Agregarea datelor până la săptămâna epidemiologică este o alternativă plauzibilă (Figura S2 ). În acest fel, sezonalitatea artificială, impusă de munca programată în weekend și efectul controlului guvernamental asupra interacțiunii sociale, într-un cadru de regresie, sunt atenuate. Dezavantajul este că dimensiunea eșantionului este redusă semnificativ de la 187 de zile (Figura S1 ) la 26 de săptămâni epidemiologice (Figura S2 ).

Cu toate acestea, agregarea după săptămâna epidemiologică produce în continuare serii temporale nestatiare în majoritatea cazurilor. Pentru a depăși această problemă, am diferențiat fiecare serie de timp. Reamintim că, dacă indică numărul deceselor în a t -a săptămână epidemiologică, definim prima diferență a caZtZtZ_ {t}ZtZtΔZt=Zt-Zt – 1ΔZt=Zt−Zt−1

Intuitiv, denotă variația deceselor între săptămâni și t -1, cunoscută și sub numele de fluxul de decese. Același lucru este valabil și pentru seria temporală de ședere la domiciliu. Această operație simplă a dat, în majoritatea cazurilor, serii de timp staționare, verificate cu așa-numitul test de staționaritate Phillips-Perron 65ΔZtΔZttt. În cele câteva cazuri în care seria temporală rezultată nu a respins ipoteza nulă a non-staționarității (tehnic, existența unei rădăcini unitare, în polinomul caracteristic seriei temporale), acest lucru s-a datorat prezenței unuia sau a două valori externe combinate cu dimensiunea redusă a eșantionului. Aceste valori aberante au fost, de obicei, legate de incidența foarte scăzută a deceselor prin COVID-19 până în a 9-a săptămână epidemiologică atunci când au fost asociate cu țări cu un număr semnificativ de decese în aceeași săptămână, rezultând astfel o valoare anterioară care nu poate fi explicată prin regresie liniară.

Pentru a investiga comportamentul în perechi, propunem o metodă pentru a evalua relația dintre decese și datele de ședere la domiciliu între diferite țări și regiuni. Pentru două țări / regiuni, să spunem A și B, să și indice numărul de decese pe milion în săptămâna epidemiologică pentru țara A și respectiv B, în timp ce și denotă șederea acasă în săptămâna epidemiologică pentru A și respectiv B. Ideea este de a regresa diferența onDaAtYtADaBtYtBttXAtXtAXBtXtBttΔDaAt- ΔDaBt= Δ (DaAt-DaBt)ΔYtA−ΔYtB=Δ(YtA−YtB)ΔXAt- ΔXBt= Δ (XAt-XBt)ΔXtA−ΔXtB=Δ(XtA−XtB) . În mod formal, efectuăm regresiaΔ (DaAt-DaBt)=β0+β1Δ (XAt-XBt) +εt,Δ(YtA−YtB)=β0+β1Δ(XtA−XtB)+εt,

unde și sunt coeficienți necunoscuți și denotă un termen de eroare. Estimarea și se efectuează prin pătrate obișnuite. Interpretarea modelului este importantă. Regresăm diferența în variația deceselor între locațiile A și B în diferența în variația valorilor de ședere la domiciliu între aceeași locație.β0β0β1β1εtεtβ0β0β1β1

Dacă numărul deceselor în locațiile A și B au un comportament funcțional similar în timp, atunci tinde să fie aproape constantă și tinde să oscileze în jurul valorii de zero. Dacă același lucru este valabil și pentru , atunci ne așteptăm la ; în consecință, concluzionăm că comportamentul, între A și B, este similar, iar numărul deceselor și procentul de ședere la domiciliu sunt asociate în aceste regiuni. Cealaltă situație non-falsă care implicăDaAt-DaBtYtA−YtBΔ (DaAt-DaBt)Δ(YtA−YtB)Δ (XAt-XBt)Δ(XtA−XtB)β1≠ 0β1≠0β1≠ 0β1≠0apare atunci când variația numărului de decese în locațiile A și B crește / scade în timp, urmând un anumit tipar, în timp ce variația procentului valorilor „rămase acasă” crește / scade și după același tipar (în afară de direcție ). În această situație, am găsit diferite modele epidemiologice ca în variația numărului de decese și în valorile de ședere la domiciliu, în locațiile A și B au fost pe tendințe opuse. Cu toate acestea, dacă aceste tipare ar fi similare (proporționale), acest lucru ar fi captat în diferență și, în consecință, în regresie. Aceasta înseamnă că diferitele tendințe au fost aproape proporționale și, prin urmare, variația șederii acasă este asociată cu variația deceselor.

În secțiunea de mai jos „Definiția zonelor cu și fără cazuri controlate de COVID-19”, fiecare țară / regiune a fost clasificată într-o clasă binară: fie zone controlate, fie necontrolate pentru COVID-19. Metoda propusă permite informații despre asocierea numărului de decese și rămânerea la nivel de casă între țări / regiuni cu grade similare / diferite de control al COVID-19. Ipotezele legate de consistența, eficiența și normalitatea asimptotică a celor mai mici pătrate obișnuite, în contextul regresiei seriilor temporale, pot fi găsite în 66 . Deoarece comparăm mai multe serii temporale, pentru a evita orice problemă cu regresia falsă, am efectuat un test de cointegrare între răspuns și covariabile. În acest context, acest lucru este echivalent cu testarea staționarității luiεtεt, care a fost realizat prin efectuarea testului Phillips-Perron. Analiza reziduală are cea mai mare importanță în regresia liniară, în special în contextul eșantioanelor mici. Etapele și testele efectuate în analiza reziduală sunt descrise în secțiunea de analiză statistică.

Design de studiu

Acesta este un studiu ecologic care folosește datele disponibile pe internet.

Setare – culegerea datelor despre mobilitate

Google COVID-19 Community Mobility Reports 31 a furnizat date despre mobilitate din 138 de țări 67 , 68 și regiuni în perioada 15 februarie – 21 august 2020. Datele referitoare la timpul mediu petrecut acasă au fost generate în comparație cu linia de bază. Valoarea inițială a fost considerată a fi valoarea mediană între 3 ianuarie și 6 februarie 2020. Datele obținute între 15 februarie și 21 august 2020 au fost împărțite în săptămâni epidemiologice (epi-săptămâni) și procentajul mediu de timp petrecut la domiciliu pe săptămână a fost obținut.

Colectarea datelor privind mortalitatea

Numărul deceselor zilnice din regiunile selectate au fost obținute din bazele de date deschise 67 , 68 pe 27 august 2020.

Criterii de includere pentru analiză

Doar regiunile cu date de mobilitate și cu peste 100 de decese, până la 26 august 2020, au fost incluse în acest studiu. Acest criteriu a fost ales de când majoritatea studiilor epidemiologice încep atunci când 100 de cazuri sunt atinse 69 , 70 . În ceea ce privește calitatea datelor, au fost incluse numai țările cu un indice de acces și calitate a asistenței medicale (HAQI) ≥ 67 71 . HAQI a fost împărțit în 10 subgrupuri. Clasa mediană este de 63,4–69,7. Media în această clasă mediană este de 66,55 (rotunjind până la 67). Prin alegerea unui HAQI ≥ 67, am presupus că datele din aceste țări erau fiabile și că asistența medicală era de înaltă calitate. Pentru regiunile braziliene, un HAQI a fost înlocuit cu indicele de dezvoltare umană (HDI), iar cele cu <0,549 (scăzut) au fost excluse.

Trei orașe majore cu peste 100 de decese și rezultate bine stabilite (Tokyo, Japonia; Berlin, Germania și New York, SUA) au fost selectate ca zone controlate.

Set de date de cazuri COVID-19 și date asociate pentru a reduce prejudecățile

După includerea țărilor / regiunilor, s-au obținut date suplimentare pentru a reduce prejudecățile de comparație, inclusiv densitatea populației (persoane / km 2 ), procentul populației urbane, IDU și suprafața totală a regiunii în kilometri pătrați. Toate datele au fost obținute din bazele de date deschise 72 , 73 , 74 .

Definirea zonelor cu și fără cazuri controlate de COVID-19

Regiunile au fost clasificate ca fiind controlate pentru cazurile de COVID-19 dacă prezintă cel puțin 2 din cele 3 condiții următoare: a) tip de transmisie clasificat ca „grupuri de cazuri”, b) o curbă descendentă a deceselor recent raportate în ultimele 7 zile, și c) o curbă plană în numărul total cumulat de decese din ultimele 7 zile (variație de 5%) conform Organizației Mondiale a Sănătății 75 . Un exemplu este prezentat în Figura S3 .

Datele din orașe (Tokyo, Berlin, New York, Fortaleza, Belo Horizonte, Manaus, Rio de Janeiro, São Paulo și Porto Alegre) au fost obținute de pe site-urile oficiale 76 , 77 , 78 , 79 . Tokyo, Berlin și New York au fost alese pentru controlul difuzării COVID-19, pentru reprezentarea a trei continente diferite și pentru asemănarea cu marile orașe braziliene (Fortaleza, Belo Horizonte, Manaus, Rio de Janeiro, São Paulo și Porto Alegre).

Baza de date fuzionată

Diferite baze de date de pe site-urile menționate mai sus au fost fuzionate folosind Microsoft Excel Power Query (Microsoft Office 2010 pentru Windows Versiunea 14.0.7232.5000) și inspectate manual pentru a constata.

Prelucrarea datelor – curățarea

Datele colectate din mai multe regiuni au fost procesate folosind Python 3.7.3 în mediul Jupyter Notebook 80 prin utilizarea Python Data Analysis Library din Google Colab Research 81 . Detaliile preprocesării sunt descrise în scriptul Python (Supliment). Pe scurt, după luarea sumei de decese / milion pe epi-săptămână, și media variabilei „rămânând acasă” pe epi-săptămână, tiparele non-staționare au fost atenuate prin scăderea săptămânii t cu săptămâna t-1 .

Configurarea datelor și variabilele seriilor cronologice

Detalii referitoare la pre-procesare și detalii metodologice au fost prezentate în abordarea pentru analiza secțiunii de date a seriilor temporale . Variabilele noastre au fost diferența în variația deceselor între locațiile A și B (variabilă dependentă – rezultat) și diferența în variația valorilor de ședere la domiciliu între aceeași locație (variabilă independentă).

Comparație între zone

Compararea directă, între regiuni cu și fără cazuri controlate de COVID-19, a fost luată în considerare în două scenarii: 1) restrictivă dacă, cel puțin 3 din 4 dintre următoarele condiții au fost similare: a) densitatea populației, b) procentul populației urbane , c) IDU și d) suprafața totală a regiunii. Similitudinea a fost considerată adecvată atunci când o variație a condițiilor a), b) și c) a fost de 30%, în timp ce, pentru starea d), o variație de 50% a fost considerată adecvată. 2) Global : toate regiunile și țările au fost comparate între ele.

Comparația restrictivă a folosit parametri legați de cât de apropiați ar fi putut contactul fizic. Calea principală de transmitere a COVID-19 este de la persoană la persoană prin picături respiratorii și contact direct personal și fizic într-un cadru comunitar 82 , 83 .

analize statistice

După preprocesarea datelor, asocierea dintre numărul deceselor și șederea acasă a fost verificată utilizând o abordare de regresie liniară. Datele au fost analizate utilizând modelul Python statsmodels.api v0.12.0 (statsmodels.regression.linear_model.OLS; statsmodels.org) și verificate de două ori folosind versiunea R 3.6.1 84 . Rata de descoperire falsă propusă de Benjamini-Hochberg (FDR-BH) a fost utilizată pentru testări multiple 85 .

Am verificat reziduurile pentru heteroskedasticitate folosind testul lui White 86 ; pentru prezența autocorelației folosind testul Lagrange Multiplier 87 ; pentru normalitate folosind testul de normalitate Shapiro – Wilk 88 ; și pentru specificații funcționale utilizând testul RESET al lui Ramsey 89 . Toate testele au fost efectuate cu un nivel de semnificație de 5%, iar analiza a fost efectuată cu versiunea R 3.6.1 84 .

Datele din 30 de comparații restrictive au fost inspectate manual și verificate a treia oară folosind Microsoft Excel (Microsoft). O hartă de căldură a fost proiectată folosind GraphPad Prism versiunea 8.4.3 pentru Mac (GraphPad Software, San Diego, California, SUA). Graficele care stabileau numărul deceselor / milionului și rămâneau acasă pe parcursul săptămânilor epidemiologice au fost obținute din Google Sheets 90 .

Disponibilitatea datelor

Scripturile Python și R sunt disponibile la https://gist.github.com/rsavaris66/eccfc6caf4c9578d676c134fac74d3fe . Datele despre materialul suplimentar auxiliar sunt disponibile la acest link. ( https://docs.google.com/spreadsheets/d/1itCPJLWCXORYDTxBY0M21VJf7PEyS4B0K00lOoNpqrA/edit?usp=sharing ).

Istoricul schimbărilor

  • 11 martie 2021 Nota editorului: Cititorii sunt avertizați că concluziile acestui articol sunt supuse criticilor care sunt luate în considerare de către editori. Un răspuns editorial suplimentar va urma după ce tuturor părților li se va oferi posibilitatea de a răspunde integral.

Referințe

  1. 1.Pandemia virusului COVID-19 – Worldometer. Worldometers https://www.worldometers.info/coronavirus/#countries .
  2. 2.Huang, W.-T. & Chen, Y.-Y. Războiul împotriva bolii coronavirusului (COVID-2019): chei pentru apărarea cu succes a Taiwanului. Hu Li Za Zhi 67 , 75–83 (2020).PubMed Google Scholar 
  3. 3.Wu, E. și Qi, D. Măști și termometre: măsuri esențiale pentru a opri răspândirea rapidă a SARS-CoV-2 în Statele Unite. Genes Dis https://doi.org/10.1016/j.gendis.2020.04.011 (2020).Articol PubMed PubMed Central Google Scholar 
  4. 4.Lin, C. și colab. Decizii politice și utilizarea tehnologiei informației pentru combaterea COVID-19 Taiwan. Emerg. Infecta. Dis. 26 , 1506-1512 (2020).CAS Articol Google Scholar 
  5. 5.Guest, JL, Del Rio, C. și Sanchez, T. Cei trei pași necesari pentru a pune capăt pandemiei COVID-19: conducere îndrăzneață în sănătate publică, inovații rapide și voință politică curajoasă. JMIR Public Health Surveill 6 , e19043 (2020).Articol Google Scholar 
  6. 6.Declarațiile de deschidere ale directorului general al OMS în cadrul ședinței media pe COVID-19 – 13 aprilie 2020. https://www.who.int/dg/speeches/detail/who-director-general-s-opening-remarks-at-the -media-briefing-on-covid-19-13-aprilie-2020 .
  7. 7.Boala coronavirusului (COVID-19): Imunitatea turmei, blocaje și COVID-19. https://www.who.int/news-room/qa-detail/herd-immunity-lockdowns-and-covid-19 .
  8. 8.Mucientes, E. & Carrasco, A. Covid-19 | Un juez de Lleida avala ahora las medidas de confinamiento en Segrià. ELMUNDO https://www.elmundo.es/ciencia-y-salud/salud/2020/07/14/5f0d542cfdddff7d0a8b460c.html (2020).
  9. 9.Guvernatorul Cuomo semnează ordinul executiv „Statul New York pe PAUZĂ”. Guvernatorul Andrew M. Cuomo https://www.governor.ny.gov/news/governor-cuomo-signs-new-york-state-pause-executive-order (2020).
  10. 10.Ministerul Locuințelor, Comunităților și Administrației Locale. Sfaturi guvernamentale privind mutarea locuinței în timpul focarului de coronavirus (COVID-19). (2020).
  11. 11.Criativo, A. #stayathome. #stayathome https://www.stayathome.world/ .
  12. 12.O mișcare pentru oprirea pandemiei COVID-19 | #StayTheFuckHome. #StayTheFuckHome https://staythefuckhome.com/ .
  13. 13.# [stayathome] (twitter brazilian). Twitter https://twitter.com/hashtag/ficaemcasa .
  14. 14.Ibarra-Vega, D. Lockdown, unul, doi, nici unul sau inteligent. Modelare care conține infecția covid-19. Un model conceptual. Știință. Mediu total 730 , 138917 (2020).
  15. 15.Ambikapathy, B. & Krishnamurthy, K. Modelarea matematică pentru a evalua impactul blocării asupra transmisiei COVID-19 în India: dezvoltarea și validarea modelului. JMIR Public Health Surveill 6 , e19368 (2020).Articol Google Scholar 
  16. 16.Sjödin, H., Wilder-Smith, A., Osman, S., Farooq, Z. & Rocklöv, J. Numai măsurile stricte de carantină pot combate focarul bolii coronavirus (COVID-19) în Italia, 2020. Euro Surveill. 25 , (2020).
  17. 17.Nussbaumer-Streit, B. și colab. Carantina singură sau în combinație cu alte măsuri de sănătate publică pentru controlul COVID-19: o analiză rapidă. Baza de date Cochrane Syst. Rev. 4 , CD013574 (2020).
  18. 18.Liu, Z. și colab. Modelarea tendinței bolii coronavirus 2019 și restabilirea capacității operaționale a serviciilor medicale metropolitane din China: o învățare automată și o analiză bazată pe model matematic. Glob Health Res Policy 5 , 20 (2020).Articol Google Scholar 
  19. 19.Espinoza, B., Castillo-Chavez, C. & Perrings, C. Restricții de mobilitate pentru controlul epidemiilor: când funcționează ?. PLoS ONE 15 , e0235731 (2020).CAS Articol Google Scholar 
  20. 20.Ferguson, N., Nedjati Gilani, G. & Laydon, D. Modelul de microsimulare CovidSim COVID-19. www.imperial.ac.uk . https://spiral.imperial.ac.uk/handle/10044/1/79647 (2020).
  21. 21.Semenova, Y. și colab. Caracteristici epidemiologice și prognoză a focarului COVID-19 în Republica Kazahstan. J. Korean Med. Știință. 35 , e227 (2020).Articol Google Scholar 
  22. 22.Peixoto, PS, Marcondes, D., Peixoto, C. și Oliva, SM Modelarea răspândirii viitoare a infecțiilor prin date mobile de geolocalizare și dinamica populației. O aplicație pentru COVID-19 în Brazilia. PLoS One 15 , e0235732 (2020).
  23. 23.Aquino, EML și colab. Măsuri de distanțare socială pentru controlul pandemiei COVID-19: impacturi potențiale și provocări în Brazilia. Cien. Saude Colet. 25 , 2423–2446 (2020).Articol Google Scholar 
  24. 24.Atalan, A. Este important blocarea pentru a preveni pandemia COVID-9? Efecte asupra psihologiei, mediului și economiei-perspectivă. Ann. Med. Surg. (Lond) 56 , 38–42 (2020).Articol Google Scholar 
  25. 25.Imprensa Nacional. LEI N o 13.979, DE 6 DE FEVEREIRO DE 2020 – LEI N o 13.979, DE 6 DE FEVEREIRO DE 2020 – DOU – Imprensa Nacional. https://www.in.gov.br/en/web/dou/-/lei-n-13.979-de-6-de-fevereiro-de-2020-242078735 .
  26. 26.Decreto 46970. www.fazenda.rj.gov.br http://www.fazenda.rj.gov.br/sefaz/content/conn/UCMServer/path/Contribution%20Folders/site_fazenda/Subportais/PortalGestaoPessoas/Legisla%C3% A7% C3% B5es% 20SILEP / Legisla% C3% A7% C3% B5es / 2020 / Decretos / DECRETO% 20N% C2% BA% 2046.970% 20DE% 2013% 20DE% 20MAR% C3% 87O% 20DE% 202020_MEDIDAS% 20TEMPOR% C3% 81RIAS% 20PREVEN% C3% 87% C3% 83O% 20CORONAV% C3% 8DRUS.pdf? Lve .
  27. 27.Decret 40520 din 14/03/2020. http://www.sinj.df.gov.br/sinj/Norma/ed3d931f353d4503bd35b9b34fe747f2/Decreto_40520_14_03_2020.html .
  28. 28.Decret 59283 2020 de São Paulo SP. https://leismunicipais.com.br/a/sp/s/sao-paulo/decreto/2020/5929/59283/decreto-n-59283-2020-declara-situacao-de-emergencia-no-municipio-de- sao-paulo-e-defineoutras-medidas-para-o-enfrentamento-da-pandemia-decorrente-do-coronavirus .
  29. 29.Decret 55240 de 10 de mai de 2020. https://www.pge.rs.gov.br/upload/arquivos/202009/02110103-decreto-55240.pdf .
  30. 30.Tegel, S. Țara cu cel mai strict blocaj din lume este acum cea mai gravă pentru excesul de decese. The Telegraph https://www.telegraph.co.uk/travel/destinations/south-america/peru/articles/peru-strict-lockdown-excess-deaths/ (2020).
  31. 31.Google LLC. Google COVID-19 Rapoarte privind mobilitatea comunității.
  32. 32.Badr, HS și colab. Asocierea dintre tiparele de mobilitate și transmisia COVID-19 în SUA: un studiu de modelare matematică. Lancet Infect. Dis. https://doi.org/10.1016/S1473-3099(20)30553-3 (2020).Articol PubMed PubMed Central Google Scholar 
  33. 33.Banerjee, T. și Nayak, analiza nivelului județului AUSUS pentru a determina dacă distanțarea socială a încetinit răspândirea COVID-19. Pr. Panam. Salud Publica 44 , e90 (2020).Articol Google Scholar 
  34. 34.Wang, Y., Liu, Y., Struthers, J. & Lian, M. Caracteristicile spatiotemporale ale epidemiei COVID-19 în Statele Unite. Clin. Infecta. Dis. https://doi.org/10.1093/cid/ciaa934 (2020).Articol PubMed PubMed Central Google Scholar 
  35. 35.Gao, S. și colab. Asocierea indicațiilor privind datele de localizare a telefoanelor mobile ale mandatelor de călătorie și de ședere la domiciliu cu ratele de infecție COVID-19 în SUA. JAMA Netw Open 3 , e2020485 (2020).Articol Google Scholar 
  36. 36.Candido, DS și colab. Evoluția și răspândirea epidemiei de SARS-CoV-2 în Brazilia. Știință https://doi.org/10.1126/science.abd2161 (2020).Articol PubMed PubMed Central Google Scholar 
  37. 37.Islam, N. și colab. Intervenții de distanțare fizică și incidența bolii coronavirus 2019: experiment natural în 149 de țări. BMJ 370 , (2020).
  38. 38.Bernal, JL, Cummins, S. & Gasparrini, A. Regresie întreruptă a timpului pentru evaluarea intervențiilor de sănătate publică: un tutorial. Int. J. Epidemiol. 46 , 348-355 (2017).PubMed Google Scholar 
  39. 39.Nason, GP Serii de timp staționare și non-staționare. în Statistics in Volcanology (eds. Mader, HM, Coles, SG, Connor, CB & Connor, LJ) 129–142 (The Geological Society of London în numele The International Association of Volcanology and Chemistry of the Earth’s Interior, 2006).
  40. 40.Sen, BP, Padalabalanarayanan, S. & Hanumanthu, VS Comenzi la domiciliu, populație afro-americană, sărăcie și infecții Covid-19 la nivel de stat: există asociații? Sănătate publică și globală (2020).
  41. 41.Li, R. și colab. Infecția nedocumentată substanțială facilitează diseminarea rapidă a noului coronavirus (COVID-19). medRxiv (2020) doi: https://doi.org/10.1101/2020.02.14.20023127 .
  42. 42.Zamir, M. și colab. Intervenții non-farmaceutice pentru controlul optim al COVID-19. Calculator. Metode Programe Biomed. 196 , 105642 (2020).Articol Google Scholar 
  43. 43.Boretti, A. După mai puțin de 2 luni, simulările care au condus lumea la blocarea strictă par a fi greșite, aceleași dintre politicile pe care le-au generat. Serv. Rez. Manag. Epidemiol. 7 , 2333392820932324 (2020).PubMed PubMed Central Google Scholar 
  44. 44.Flaxman, S. și colab. Estimarea efectelor intervențiilor non-farmaceutice asupra COVID-19 în Europa. Natura 584 , 257–261 (2020).RECLAME CAS Articol Google Scholar 
  45. 45.Dehning, J. și colab. Deducerea punctelor de schimbare în răspândirea COVID-19 relevă eficacitatea intervențiilor. Știința 369 , (2020).
  46. 46.Klein, DB, Book, J. & Bjørnskov, C. 16 Factori posibili pentru rata înaltă a mortalității COVID din Suedia în rândul nordicilor. SSRN Electron. J. doi: https://doi.org/10.2139/ssrn.3674138 .
  47. 47.Chaudhry, R., Dranitsaris, G., Mubashir, T., Bartoszko, J. & Riazi, S. O analiză la nivel de țară care măsoară impactul acțiunilor guvernamentale, pregătirea țării și factorii socioeconomici asupra mortalității COVID-19 și a rezultatelor legate de sănătate. EClinicalMedicine 25 , 100464 (2020).Articol Google Scholar 
  48. 48.Therese, Guvernul MM confirmă că este sigur să treceți la faza 3 a foii de parcurs pentru redeschiderea afacerilor și societății. (2020).
  49. 49.Decese zilnice confirmate de COVID-19 pe milion, în medie pe 7 zile. https://ourworldindata.org/grapher/daily-covid-deaths-per-million-7-day-average .
  50. 50.Actualizare Coronavirus (live): 31.036.957 cazuri și 962.339 decese din cauza virusului COVID-19 Pandemic – Worldometer. https://www.worldometers.info/coronavirus/#countries .
  51. 51.De Larochelambert, Q., Marc, A., Antero, J., Le Bourg, E. & Toussaint, J.-F. Mortalitatea Covid-19: o problemă de vulnerabilitate în rândul națiunilor care se confruntă cu margini limitate de adaptare. Front Public Health 8 , 604339 (2020).Articol Google Scholar 
  52. 52.Leffler, CT și colab. Asocierea mortalității prin coronavirus la nivel național cu datele demografice, testarea, blocarea și purtarea de măști a publicului. A.m. J. Trop. Med. Hyg. 103 , 2400–2411 (2020).Articol Google Scholar 
  53. 53.Wieland, T. O abordare fenomenologică a evaluării eficacității intervențiilor non-farmaceutice legate de COVID-19 în Germania. Saf. Știință. 131 , 104924 (2020).Articol Google Scholar 
  54. 54.Kepp, KP și Bjørnskov, C. Efecte de blocare asupra transmisiei Sars-CoV-2 – Dovezi din nordul Iutlandiei. medRxiv 2020.12.28.20248936 (2021).
  55. 55.Kuhbandner, C. & Homburg, S. Comentariu: estimarea efectelor intervențiilor non-farmaceutice asupra COVID-19 în Europa. Față. Med. 7 , (2020).
  56. 56.Chin, V., Ioannidis, JPA, Tanner, MA & Cripps, S. Efectele intervențiilor non-farmaceutice asupra COVID-19: o poveste cu trei modele. medRxiv 2020.07.22.20160341 (2020).
  57. 57.Park, S., Lee, Y., Michelow, IC & Choe, YJ Sezonalitatea globală a coronavirusurilor umane: o revizuire sistematică. Open Forum Infect Dis 7 , (2020).
  58. 58.Trougakos, IP și colab. Perspective asupra ciclului de viață al SARS-CoV-2, fiziopatologie și tratamente raționalizate care vizează complicațiile clinice COVID-19. J. Biomed. Știință. 28 , 9 (2021).CAS Articol Google Scholar 
  59. 59.Pearce, N. Eroarea ecologică dă înapoi. J. Epidemiol. Community Health 54 , 326-327 (2000).CAS Articol Google Scholar 
  60. 60.Delen, D., Eryarsoy, E. și Davazdahemami, B. Niciun loc ca acasă: analiza datelor transnaționale despre eficacitatea distanțării sociale în timpul pandemiei COVID-19. JMIR Public Health Surveill 6 , e19862 (2020).Articol Google Scholar 
  61. 61.Vokó, Z. & Pitter, JG Efectul măsurilor de distanță socială asupra epidemiilor COVID-19 în Europa: o analiză a seriei temporale întrerupte. Geroscience 42 , 1075-1082 (2020).Articol Google Scholar 
  62. 62.Ghosal, S., Bhattacharyya, R. & Majumder, M. Impactul blocării complete asupra infecției totale și a ratelor de deces: o analiză ierarhică de cluster. Diabet Metab. Syndr. 14 , 707–711 (2020).Articol Google Scholar 
  63. 63.Sfatul COVID-19 – Distanțarea fizică. https://www.who.int/westernpacific/emergencies/covid-19/information/physical-distancing .
  64. 64.Miller, RL & Brewer, JD AZ-ul cercetării sociale: un dicționar al conceptelor cheie de cercetare în științe sociale . (SAGE, 2003).
  65. 65.Perron, P. Tendințe și plimbări aleatorii în serii de timp macroeconomice. J. Econ. Dyn. Control 12 , 297-332 (1988).Articol MATEMATICĂ Google Scholar 
  66. 66.Greene, WH Analiză econometrică . (2012).
  67. 67.Coronavírus Brasil. https://covid.saude.gov.br/ .
  68. 68.Date sursă de coronavirus. Lumea noastră în date https://ourworldindata.org/coronavirus-source-data .
  69. 69.Lai, CKC și colab. Caracteristicile epidemiologice ale primelor 100 de cazuri de boală coronavirus 2019 (COVID-19) în regiunea administrativă specială din Hong Kong, China, un oraș cu o politică strictă de izolare. Int. J. Epidemiol. 49 , 1096-1105 (2020).Articol Google Scholar 
  70. 70.Tsou, T.-P., Chen, W.-C., Huang, AS-E., Chang, S.-C. & Taiwan COVID-19 echipa de investigare a focarului. Epidemiologia primelor 100 de cazuri de COVID-19 în Taiwan și implicațiile sale asupra controlului focarelor. J. Formos. Med. Conf. Univ. 119 , 1601–1607 (2020).
  71. 71.Barber, RM și colab. Accesul la sănătate și indicele de calitate bazat pe mortalitate din cauze susceptibile de îngrijire medicală personală în 195 de țări și teritorii, 1990–2015: o analiză nouă din Global Burden of Disease Study 2015. Lancet 390 , 231-266 (2017).Articol Google Scholar 
  72. 72.Clasamentul indicelui dezvoltării umane 2019. http://hdr.undp.org/en/content/2019-human-development-index-ranking .
  73. 73.[Statistici despre orașe și state]. Instituto Brasileiro de Geografia e Estatística https://www.ibge.gov.br/cidades-e-estados .
  74. 74.Populația pe țări (2020) – Worldometer. https://www.worldometers.info/world-population/population-by-country/ .
  75. 75.Tabloul de bord OMS Coronavirus Disease (COVID-19). Organizația Mondială a Sănătății https://covid19.who.int/table .
  76. 76.Populația Tokyo – Guvernul metropolitan Tokyo. https://www.metro.tokyo.lg.jp/ENGLISH/ABOUT/HISTORY/history03.htm#:~:text=With%20a%20population%20density%20of,average%201.94%20persons%20per%20household .
  77. 77.Berlin. https://www.citypopulation.de/en/germany/berlin/berlin/11000000__berlin/ .
  78. 78.COVID-19: Date. nychealth / coronavirus-data https://github.com/nychealth/coronavirus-data .
  79. 79.Planificare-Recensământul Populației 2010-DCP. https://www1.nyc.gov/site/planning/planning-level/nyc-population/census-2010.page .
  80. 80.Proiectul Jupyter. https://www.jupyter.org .
  81. 81.Bisong, E. Google Colaboratory. în Construirea modelelor de învățare automată și învățare profundă pe platforma Google Cloud (ed. Bisong, E.) 59–64 (Apress, 2019).
  82. 82.Transmiterea SARS-CoV-2: implicații pentru prevenirea infecțiilor. https://www.who.int/news-room/commentaries/detail/transmission-of-sars-cov-2-implications-for-infection-prevention-precautions#:~:text=Current%20evidence%20suggests%20that % 20transmission,% 2C% 20talks% 20or% 20sings .
  83. 83.Sindromul respirator acut sever coronavirus 2 (SARS-CoV-2) și boala coronavirus-2019 (COVID-19): epidemia și provocările. Int. J. Antimicrob. Agenți 55 , 105924 (2020).
  84. 84.Fundația R pentru calculul statistic, Viena, Austria. Proiectul R pentru calculul statistic. Fundația R https://www.R-project.org/ .
  85. 85.Benjamini, Y. & Hochberg, Y. Despre controlul adaptiv al ratei de descoperire falsă în testări multiple cu statistici independente. J. Educ. Comportă-te. Stat. 25 , 60 (2000).Articol Google Scholar 
  86. 86.White, H. Un estimator al matricei de covarianță consistent cu heteroskedasticitatea și un test direct pentru heteroskedasticitate. Econometrica 48 , 817 (1980).MathSciNet Articol MATEMATICĂ Google Scholar 
  87. 87.Evans, G. & Patterson, KD Testul multiplicator lagrange pentru autocorelare în prezența restricțiilor liniare. Econ. Lett. 17 , 237-241 (1985).MathSciNet Articol MATEMATICĂ Google Scholar 
  88. 88.Shapiro, SS & Wilk, MB O analiză a testului de varianță pentru normalitate (probe complete). Biometrika 52 , 591–611 (1965).MathSciNet Articol MATEMATICĂ Google Scholar 
  89. 89.Ramsey, JB Teste pentru erori de specificație în analiza de regresie liniară clasică a celor mai mici pătrate. J. Roy. Stat. Soc .: Ser. B (Methodol.) 31 , 350-371 (1969).MathSciNet MATEMATICĂ Google Scholar 
  90. 90.Google LLC. Google Google LLC. G Suite [Internet]. 2020. Disponibil de pe: https://gsuite.google.com .

Descărcați referințele 

Mulțumiri

Îi mulțumim dr. Jair Ferreira, de la Departamentul de epidemiologie al Universității Federale Rio Grande do Sul, pentru feedback-ul său critic.

Informatia autorului

Afilieri

  1. Facultatea de Medicină, Departamentul de Obstetrică și Ginecologie, Universidade Federal do Rio Grande do Sul, Rua Ramiro Barcelos 2400, Porto Alegre, RS, CEP 90035-003, BraziliaRF Savaris
  2. Institutul de Matematică și Statistică și Programul de Pós-Graduação em Estatística, Universidade Federal do Rio Grande do Sul, 9500, Bento Gonçalves Avenue, Porto Alegre, RS, 91509-900, BraziliaG. Pumi
  3. Programul de absolvire a calculelor aplicate, Universitatea din Vale do Rio dos Sinos (UNISINOS), Av. Unisinos, 950, São Leopoldo, RS, 93022-750, BraziliaJ. Dalzochio și R. Kunst
  4. Serv. Ginecologia e Obstetrícia, Hospital de Clínicas de Porto Alegre, Rua Ramiro Barcelos 2350, Porto Alegre, RS, CEP 90035-903, BraziliaRF Savaris
  5. Curs postuniversitar de BigData, știința datelor și învățarea automată, Unisinos, Porto Alegre, RS, BraziliaRF Savaris

Contribuții

RFS a fost responsabil pentru concepția studiului, a proiectat metodologia, a testat componentele codului în Python și R, a verificat reproductibilitatea, a făcut analize formale, a colectat date, a furnizat alte instrumente de analiză, a fost responsabil pentru curarea datelor, a scris proiectul inițial, a interpretat date, a revizuit manuscrisul, a creat prezentarea datelor, executarea supravegherii, coordonarea executării proiectului. GP a conceput proiectul, a conceput metodologia, a implementat codul computerului și algoritmul în R, a verificat rezultatele, a conceput și a formalizat modelul statistic aplicat, a scris proiectul original și a interpretat datele. RK a participat la concepția studiului, a implementat codul computerului în Python, a validat rezultatele, a furnizat resurse computerizate, a menținut datele de cercetare pentru utilizarea inițială,a analizat critic proiectul inițial, a analizat proiectul final, a fost mentorul extern al echipei de bază și a coordonat planificarea proiectului. JD, a programat algoritmii în Python, a furnizat tehnici pentru a reduce dimensionalitatea datelor, a menținut codul software în Python, a revizuit și a aprobat proiectul final.

autorul corespunzator

Corespondență cu RF Savaris .

Declarații de etică

Interese concurente

Autorii nu declară interese concurente.

Informatii suplimentare

Nota editorului

Springer Nature rămâne neutru în ceea ce privește revendicările jurisdicționale din hărțile publicate și afilierile instituționale.

Informatie suplimentara

Tabel suplimentar S1

Tabel suplimentar S2

Cifre suplimentare

Acces liber Acest articol este licențiat sub o licență internațională Creative Commons Attribution 4.0, care permite utilizarea, partajarea, adaptarea, distribuirea și reproducerea în orice mediu sau format, atâta timp cât acordați creditul autorului (autorilor) original (e) și sursei furnizați un link către licența Creative Commons și indicați dacă s-au făcut modificări. Imaginile sau alte materiale ale terților din acest articol sunt incluse în licența Creative Commons a articolului, cu excepția cazului în care se indică altfel într-o linie de credit pentru material. Dacă materialul nu este inclus în licența Creative Commons a articolului și utilizarea intenționată a dvs. nu este permisă de reglementările legale sau depășește utilizarea permisă, va trebui să obțineți permisiunea direct de la titularul drepturilor de autor. Pentru a vizualiza o copie a acestei licențe, vizitațihttp://creativecommons.org/licenses/by/4.0/ .

Reimprimări și permisiuni

Exprimati-va pararea!

Completează mai jos detaliile tale sau dă clic pe un icon pentru a te autentifica:

Logo WordPress.com

Comentezi folosind contul tău WordPress.com. Dezautentificare /  Schimbă )

Fotografie Google

Comentezi folosind contul tău Google. Dezautentificare /  Schimbă )

Poză Twitter

Comentezi folosind contul tău Twitter. Dezautentificare /  Schimbă )

Fotografie Facebook

Comentezi folosind contul tău Facebook. Dezautentificare /  Schimbă )

Conectare la %s

Acest site folosește Akismet pentru a reduce spamul. Află cum sunt procesate datele comentariilor tale.