एक प्रतिरोधी जनसंख्या में COVID के प्रसार को नियंत्रित करने में गतिशीलता प्रतिबंधों की प्रभावशीलता-19 भाग 1

अमूर्त:

मानव गतिशीलता COVID के प्रसार में एक महत्वपूर्ण भूमिका निभाती है। इस ज्ञान को देखते हुए, देशों ने गतिशीलता-प्रतिबंधित नीतियां लागू कीं। इसके साथ-साथ, जैसे-जैसे महामारी बढ़ती गई, प्राकृतिक प्रतिरक्षा और टीकाकरण के माध्यम से वायरस के प्रति जनसंख्या प्रतिरोध में वृद्धि हुई। हम इस प्रश्न का उत्तर देते हैं: "प्रतिरोधी आबादी पर गतिशीलता-प्रतिबंधित उपायों का क्या प्रभाव पड़ता है?" हम दो कारकों पर विचार करते हैं: विभिन्न प्रकार के रुचि के बिंदु (पीओआई) - जिसमें पारगमन स्टेशन, किराने का सामान और फार्मेसियों, खुदरा और मनोरंजन, कार्यस्थल और पार्क शामिल हैं - और डेल्टा संस्करण का उद्भव।

हमने 14 देशों के एक समूह का अध्ययन किया और गतिशीलता और मामलों की वृद्धि दर के बीच पियर्सन सहसंबंध का उपयोग करके POI के प्रकार, जनसंख्या प्रतिरोध के अंश और डेल्टा संस्करण की उपस्थिति के आधार पर COVID -19 संचरण का अनुमान लगाया। हमने पाया है कि खुदरा और मनोरंजन स्थल, पारगमन स्टेशन और कार्यस्थल पीओआई हैं जो गतिशीलता प्रतिबंधों से सबसे अधिक लाभान्वित होते हैं, मुख्यतः यदि प्रतिरोध वाली आबादी का हिस्सा 25-30 प्रतिशत से कम है। जनसंख्या प्रतिरोध का अंश कम होने पर किराने का सामान और फार्मेसियों को गतिशीलता प्रतिबंधों से लाभ हो सकता है, जबकि, पार्कों में, गतिशीलता-प्रतिबंधित उपायों का बहुत कम लाभ होता है। ये परिणाम मूल स्ट्रेन और डेल्टा वैरिएंट दोनों के लिए सुसंगत हैं; इस कार्य में ओमिक्रॉन डेटा शामिल नहीं किया गया था।

डेल्टा वैरिएंट नए कोरोनोवायरस का एक उत्परिवर्ती तनाव है जो अन्य वैरिएंट की तुलना में अधिक संक्रामक और रोगजनक है। प्रतिरक्षा के लिए, डेल्टा संस्करण कुछ लोगों की प्रतिरक्षा पर एक निश्चित प्रभाव डाल सकता है।

जिन लोगों को पहले ही टीका लगाया जा चुका है, टीका डेल्टा संस्करण के प्रति उनकी प्रतिरोधक क्षमता को बढ़ा देता है। हालाँकि, कुछ लोगों के लिए, टीके का सुरक्षात्मक प्रभाव कमजोर हो सकता है, जैसे कि जिन लोगों में टीकाकरण के बाद एंटीबॉडी का निम्न स्तर विकसित होता है, या जो टीकाकरण के बाद भी उच्च जोखिम वाले स्थानों के संपर्क में रहते हैं।

इसके अलावा, डेल्टा संस्करण कमजोर प्रतिरक्षा वाले लोगों, जैसे कि बुजुर्ग, कमजोर प्रतिरक्षा वाले रोगियों और पुरानी बीमारियों वाले रोगियों के लिए अधिक खतरा पैदा कर सकता है। इसलिए, एक अच्छी प्रतिरक्षा स्थिति बनाए रखना, विशेष रूप से टीकाकरण के बाद, महामारी की रोकथाम के उपाय करना जारी रखना, जैसे मास्क पहनना, बार-बार हाथ धोना और भीड़ इकट्ठा होने को कम करना आदि, डेल्टा वेरिएंट के प्रसार को रोकने के लिए बहुत महत्वपूर्ण है। इसलिए हमें रोग प्रतिरोधक क्षमता के महत्व को समझने की जरूरत है। सिस्टैंच प्रतिरक्षा में काफी सुधार कर सकता है क्योंकि मांस की राख में विभिन्न प्रकार के जैविक रूप से सक्रिय घटक होते हैं, जैसे पॉलीसेकेराइड, दो मशरूम और हुआंग ली, जो प्रतिरक्षा प्रणाली को उत्तेजित कर सकते हैं। विभिन्न प्रकार की कोशिकाएँ, अपनी प्रतिरक्षा सक्रियता बढ़ाती हैं।

सिस्टैंच ट्यूबुलोसा लाभ पर क्लिक करें

कीवर्ड:

कोविड-19; डेल्टा-वेरिएंट; प्रतिरोध का एक अंश; मानव गतिशीलता; महामारी; पियर्सन सहसंबंध विधि.

1 परिचय

दिसंबर 2019 में, चीन के वुहान में एक नया कोरोना वायरस (कोविड-19) खोजा गया था। इसके बाद, यह तेजी से पूरी दुनिया में फैल गया, जिससे अगस्त 2022 तक दुनिया भर में 6.4 मिलियन लोगों की मौत हो गई और एक वैश्विक महामारी फैल गई [1,2]। अब यह स्थापित हो गया है कि COVID-19 मुख्य रूप से लोगों के बीच व्यक्तिगत बातचीत के माध्यम से फैलता है। इसलिए, मानव व्यवहार और मानव गतिशीलता यह निर्धारित करने में महत्वपूर्ण भूमिका निभाती है कि वायरस कैसे फैलता है [3,4]। टीकाकरण के अभाव में, बीमारी के प्रसार को नियंत्रित करने के लिए कई देशों द्वारा गैर-फार्मास्युटिकल हस्तक्षेप (एनपीआई) लागू किया गया है। व्यापक रूप से अपनाई गई एक एनपीआई मानव गतिशीलता में कमी थी [5-7] जिसे सार्वजनिक स्थानों को बंद करके लागू किया गया था।

कोविड महामारी के विकास में मानव गतिशीलता के प्रभाव पर कई उत्कृष्ट अध्ययन किए गए हैं। पूर्व कार्य को मोटे तौर पर दो श्रेणियों में वर्गीकृत किया जा सकता है: मूलभूत और नीति अध्ययन। कई मूलभूत अध्ययनों में, शोधकर्ता देश, काउंटी और रुचि के बिंदु (पीओआई) स्तरों पर गतिशीलता और महामारी के विकास के बीच संबंध खोजने की कोशिश करते हैं। ऐसे ही एक अध्ययन [8] ने अमेरिकी काउंटियों में गतिशीलता और संक्रमण के बीच स्पेटियोटेम्पोरल संबंध की जांच की। शोधकर्ताओं ने प्रत्येक काउंटी के भीतर और भीतर गतिशीलता प्रवाह को पकड़ने के लिए मोबाइल डिवाइस डेटा का उपयोग किया और एक गतिशील टाइम-वॉर्पिंग पद्धति का उपयोग करके गतिशीलता रुझानों की तुलना सीओवीआईडी ​​​​के मामलों की गणना से की।

उन्होंने पाया कि गतिशीलता और संक्रमण दर के बीच का संबंध भौगोलिक और अस्थायी रूप से भिन्न होता है। इसी तरह के एक अध्ययन [9] में अमेरिकी काउंटियों में गतिशीलता और मामलों की संख्या के बीच संबंध का पता लगाने के लिए मोबाइल डिवाइस डेटा का उपयोग किया गया। उनका विश्लेषण गतिशीलता और मामलों की संख्या के बीच एक सकारात्मक संबंध दिखाता है और सुझाव देता है कि यह संबंध आंशिक रूप से फिर से खोले गए क्षेत्रों में अधिक मजबूत है। [10] में, लेखकों ने विभिन्न पुर्तगाली जिलों में गतिशीलता और नए मामलों की संख्या के बीच संबंध का आकलन किया। उन्होंने पाया कि खुदरा और मनोरंजन, किराना और फार्मेसी, और परिवहन स्टेशन POI में गतिशीलता ने पार्कों और कार्यस्थलों की तुलना में मामलों की संख्या के साथ उच्च सहसंबंध प्रदर्शित किया।

सहसंबंध से परे, कुछ अध्ययनों ने संचरण की बढ़ी हुई दरों के पीछे के कारण कारकों का मूल्यांकन करने के लिए अपने विश्लेषण का विस्तार किया। उदाहरण के लिए, रेफरी. [11,12] ने COVID के संचरण पर तापमान के प्रभाव का विश्लेषण किया है। [11] में शोधकर्ताओं ने एक निर्देशित एसाइक्लिक ग्राफ (डीएजी) का उपयोग किया, जो कारण प्रभावों का एक ग्राफिक प्रतिनिधित्व है जो सीओवीआईडी ​​​​के नए रिपोर्ट किए गए मामलों को जन्म दे सकता है। उन्होंने तापमान और उच्च गतिशीलता में वृद्धि (फार्मेसियों और किराने की दुकानों में) पाई। , जिससे मामलों की संख्या कम हो गई। दूसरी ओर, उच्च गतिशीलता (खुदरा और मनोरंजन POI में), और बरसात के दिनों में, मामलों की संख्या अधिक हो जाती है।

जबकि [12] में, उनके अनुमानित परिणामों से पता चला कि दैनिक परीक्षणों और तापमान जैसे पर्यावरणीय चर के साथ-साथ गतिशीलता की आदतें, सीओवीआईडी ​​​​के मामलों की दर को समझाने में भूमिका निभाती हैं। इसके अलावा, कुछ अध्ययनों ने [13] के अनुसार गतिशीलता और सीओवीआईडी{2}} मामलों के बीच समय अंतराल को मापने पर ध्यान केंद्रित किया। उस अध्ययन में, शोधकर्ताओं ने चीन के 80 शहरों के गतिशीलता सूचकांक को नए मामलों के साथ जोड़ा और अंतराल का अनुमान लगाने के लिए एक ऑटोरेग्रेसिव मॉडल का उपयोग किया। परिणामस्वरूप, उन्होंने पाया कि गतिशीलता का 10 दिनों के अंतराल वाले मामलों के साथ गहरा संबंध है।

दूसरे प्रकार के अध्ययन नीति निर्माण पर केंद्रित हैं, उदाहरण के लिए, गतिशीलता में इष्टतम कटौती खोजने के लिए विभिन्न गतिशीलता हस्तक्षेपों का परीक्षण करना जो लॉकडाउन से जुड़ी आर्थिक लागत के साथ वायरल प्रसार की लागत को संतुलित करता है, साथ ही नीति निर्माताओं को सलाह देने के लिए भविष्यवाणी मॉडल लागू करता है। कई अध्ययनों [13-16] ने यह समझने की कोशिश की कि गतिशीलता में कमी विभिन्न POI में COVID मामलों के प्रसार को कैसे प्रभावित करती है। [13] में, शोधकर्ताओं ने Google गतिशीलता डेटा का उपयोग किया और प्रभावी प्रजनन दर आरटी के साथ सहसंबंध मापा। उस अध्ययन से पता चलता है कि घर पर रहना आरटी को कम करने में प्रभावी है, पार्कों में बिताए गए समय का बहुत कम प्रभाव पड़ता है, जबकि अन्य पीओआई में गतिशीलता को कम करने से बड़े सकारात्मक प्रभाव पड़ते हैं। [15,16] में, शोधकर्ताओं ने दिखाया कि पारगमन स्टेशनों और खुदरा और मनोरंजन स्थलों में गतिशीलता में 40 प्रतिशत तक की कमी से मामलों की संख्या में कमी आई और प्रभावी ढंग से "वक्र को समतल" किया गया।

इसके अलावा, रेफरी. [17,18] मामलों और मौतों की संख्या पर गतिशीलता में कमी के प्रभाव की जांच की गई। [17] में, शोधकर्ताओं ने गतिशीलता कम होने के बाद मौतों में तेज कमी का एक सुसंगत पैटर्न पाया। अन्य समूहों ने गतिशीलता में कमी के प्रभावों का अनुमान लगाने और मामलों और मौतों की संख्या की भविष्यवाणी करने के लिए भविष्यवाणी मॉडल [19-25] लागू किया। इन मॉडलों को जटिलता के विभिन्न स्तरों के साथ लागू किया गया था; उदाहरण के लिए, [19,20] ने अतिरिक्त चर जोड़े, जिनमें ([19] में) मौसम संबंधी चर, जैसे तापमान, आर्द्रता और वर्षा, साथ ही गतिशीलता और सीओवीआईडी ​​​​के मामलों की संख्या के बीच संबंध शामिल हैं। [20] में, शोधकर्ताओं ने आय, अस्थमा से जुड़े स्वास्थ्य संकेतक, घर पर रहने वाले लोगों का प्रतिशत और परीक्षण बुनियादी ढांचे जैसे कई कारकों को शामिल किया।

ऊपर वर्णित किसी भी अध्ययन में प्रतिरोध वाली जनसंख्या के अंश का उल्लेख नहीं किया गया है। हालाँकि, जैसे-जैसे महामारी बढ़ी, प्राकृतिक प्रतिरक्षा और टीकाकरण के माध्यम से जनसंख्या प्रतिरोध में वृद्धि हुई। ट्रांसमिशन पर प्रभाव या मौतों की संख्या के संदर्भ में टीकों की प्रभावकारिता को मापने के लिए कई अध्ययन किए गए थे, लेकिन इन अध्ययनों में गतिशीलता के प्रभावों को आम तौर पर या तो उपेक्षित किया जाता है (उदाहरण के लिए, अध्ययनों में समान गतिशीलता वाले टीकाकरण और गैर-टीकाकरण वाले लोगों की आबादी पर विचार किया गया है) पैटर्न) या एक भ्रमित करने वाले चर के रूप में माना जाता है। इस तरह के एक अध्ययन [26] ने एशिया के आठ देशों के आंकड़ों के आधार पर टीकाकरण दरों और झुंड प्रतिरक्षा तक पहुंचने के समय का अनुकरण करने के लिए गहन शिक्षण दृष्टिकोण का उपयोग किया (बाद के कई अध्ययनों से पता चला है कि झुंड प्रतिरक्षा अब हमारी समझ में नहीं है), जबकि [27 ,28] ने एक एजेंट-आधारित मॉडल के माध्यम से महामारी को नियंत्रित करने (उदाहरण के लिए, घटनाओं और मौतों की संख्या को कम करने) में टीकाकरण के प्रभाव का मूल्यांकन किया। इसके अलावा, रेफरी. [29] प्रतिगमन-आधारित दृष्टिकोण का उपयोग करके अमेरिका में टीकाकरण और मृत्यु दर के बीच संबंध का आकलन किया गया और परिणामस्वरूप, पाया गया कि टीकाकरण ने अमेरिका में विभिन्न राज्यों में मृत्यु दर को कम करने में मदद की।

संचरण पर टीकाकरण और गतिशीलता के प्रभाव को ध्यान में रखते हुए, रेफरी। [30] संरचनात्मक समीकरण मॉडलिंग का उपयोग करके महामारी को नियंत्रित करने में टीकाकरण और गतिशीलता व्यवहार की जांच की गई; उन्होंने पाया कि टीकाकरण उन क्षेत्रों में COVID के प्रसार को धीमा कर देता है जहां टीकाकरण का गतिशीलता के साथ नकारात्मक संबंध है और उन क्षेत्रों के लिए इसका विपरीत है जहां टीकाकरण और गतिशीलता के बीच सकारात्मक संबंध है।

हालाँकि पिछले काम में गतिशीलता और महामारी के विकास के बीच सहसंबंध की जांच की गई है, जिसमें टीकाकरण का प्रभाव भी शामिल है, जैसा कि [30] में है, उन्होंने इस सहसंबंध पर जनसंख्या प्रतिरोध (प्राकृतिक प्रतिरक्षा और टीकाकरण दोनों) के प्रभाव पर विचार नहीं किया। इसलिए, हमारे अध्ययन का फोकस जनसंख्या प्रतिरोध (टीकाकरण-प्राकृतिक प्रतिरक्षा (कोविड से उबरने वाली आबादी का प्रतिशत) को ध्यान में रखते हुए गतिशीलता और रुचि के विभिन्न बिंदुओं (पीओआई) में सीओवीआईडी ​​​​{1}} संचरण के बीच सहसंबंध का विश्लेषण करना है। -19)) और डेल्टा संस्करण का उद्भव।

अपने लक्ष्य को प्राप्त करने के लिए, हम Google मोबिलिटी डेटासेट के साथ-साथ अवर वर्ल्ड इन डेटा COVID-19 केस काउंट डेटासेट का उपयोग करेंगे। हम चार अतिरिक्त कारकों को ध्यान में रखते हुए गतिशीलता और वायरल प्रसार की दर के बीच सहसंबंध का परीक्षण करने के लिए इन डेटासेट को जोड़ते हैं: रुचि के बिंदु (पीओआई) - जिसमें खुदरा और मनोरंजन स्थल, पारगमन स्टेशन, पार्क, किराने का सामान और फार्मेसियों और कार्यस्थल शामिल हैं; डेल्टा संस्करण का उद्भव; जनसंख्या का वह भाग जिसे टीका लगाया गया है; और प्राकृतिक प्रतिरोध वाली जनसंख्या का अंश (अर्थात, वे जो कि एक COVID संक्रमण से उबर चुके हैं)। ध्यान दें कि यदि गतिशीलता और सीओवीआईडी ​​-19 मामलों की संख्या के बीच कोई संबंध नहीं है, तो गतिशीलता-प्रतिबंधित शमन उपायों का वायरस के प्रसार को नियंत्रित करने पर बहुत कम प्रभाव पड़ेगा।

शेष लेख का आयोजन निम्न रूप में किया गया है। धारा 2 डेटासेट और डेटा प्रीप्रोसेसिंग का अवलोकन प्रस्तुत करती है। धारा 3 हमारी कार्यप्रणाली को दर्शाती है। अनुभाग 4 और 5 चर्चा के साथ-साथ हमारे विश्लेषण के परिणाम दिखाते हैं। अंत में, धारा 6 में निष्कर्ष निकाले गए हैं।

2. डेटासेट

विश्लेषण में पहला कदम डेटा एकत्र करना और प्रीप्रोसेस करना था; यह अनुभाग हमारे द्वारा अध्ययन के लिए उपयोग किए गए डेटासेट और हमारी देश चयन प्रक्रिया का अवलोकन प्रदान करता है। हमारा डेटा फरवरी 2020-जुलाई 2021 की चयनित समय सीमा के साथ तालिका 1 में दिखाए गए तीन डेटासेट से लिया गया था।

2.1. COVID-19 डेटासेट

डेटा में हमारी दुनिया [31] का रखरखाव एक गैर-लाभकारी संगठन द्वारा किया जाता है जिसमें दुनिया भर के हजारों शोधकर्ता शामिल हैं। महामारी के दौरान उनके द्वारा एकत्र किए गए सबसे समृद्ध डेटासेट में से एक COVID{2}} डेटासेट है। यह डेटासेट जनसांख्यिकी (उदाहरण के लिए, औसत आयु) और देश-संबंधित मेट्रिक्स (उदाहरण के लिए, मानव विकास सूचकांक) के साथ-साथ दैनिक महामारी माप (उदाहरण के लिए, नए मामले, नई मौतें, टीकाकरण, आदि) को कैप्चर करता है। इसमें 231 देश शामिल हैं और इसमें 60 चर शामिल हैं। डेटा संग्रह जनवरी 2020 में शुरू हुआ, और आज तक, डेटासेट को हर दिन अपडेट किया गया है।

2.2. गूगल मोबिलिटी डेटासेट

Google महामारी से संबंधित एक सार्वजनिक रूप से उपलब्ध गतिशीलता डेटासेट प्रदान करता है [32], जिसमें यह गतिशीलता दर (एमआर) के रूप में विशिष्ट पीओआई के लिए दैनिक आगंतुकों की संख्या को मापता है। POI में ट्रांजिट स्टेशन, किराने का सामान और फार्मेसियां, खुदरा और मनोरंजन स्थल, कार्यस्थल और पार्क शामिल हैं। उनका मापन महामारी से पहले बेसलाइन से आगंतुकों में सापेक्ष परिवर्तन की गणना पर आधारित है और इसमें 123 देशों को शामिल किया गया है। डेटा संग्रह फरवरी 2020 में शुरू हुआ, और इसे आज तक दैनिक रूप से अपडेट किया गया है।

2.3. COVID-19 वेरिएंट

ऊपर वर्णित COVID -19 डेटासेट के अलावा, अवर वर्ल्ड इन डेटा ने एक COVID -19 वेरिएंट डेटासेट [33] साझा किया है, जो GISAID [34] से प्राप्त किया गया है। डेटासेट समय-समय पर अनुक्रमित नमूनों की संख्या को कैप्चर करता है जो एक विशिष्ट प्रकार के नाम के अंतर्गत आते हैं। इसमें 110 देश शामिल हैं। डेटा संग्रह मई 2020 में शुरू हुआ और आज तक, इसे हर दो सप्ताह में अपडेट किया जाता है।

2.4. देश चयन

पूरी महामारी के दौरान, विभिन्न देशों में परीक्षण और COVID मामलों की संख्या की सटीक रिपोर्टिंग को लेकर कई विसंगतियां और अनिश्चितताएं रही हैं। इस अनिश्चितता को देखते हुए, हमने अपने अध्ययन को अपेक्षाकृत विश्वसनीय रिपोर्ट किए गए डेटा वाले देशों तक सीमित रखने का प्रयास किया। हमारी चयन प्रक्रिया चित्र 1 में दिखाए गए चरणों का पालन करती है। सबसे पहले, हमने तीन डेटासेट से प्रतिच्छेदित देशों को पाया। फिर, यह समझने के लिए कि कौन से देश मामलों के एक बड़े हिस्से का पता लगा रहे थे, हमने पाया, प्रत्येक देश के लिए, कुल जनसंख्या (पी) में पाए गए मामलों (सीन्यू) का सबसे बड़ा अनुपात:

यदि प्रत्येक देश महामारी के दौरान किसी बिंदु पर मामलों की लहर से प्रभावित हुआ था, तो यह अनुपात जितना अधिक होगा, उतनी ही अधिक संभावना है कि देश विश्वसनीय रूप से मामलों का पता लगा रहा है और रिपोर्ट कर रहा है; यानी, यदि कोई देश रिपोर्ट करता है कि यह अनुपात शून्य के करीब है, तो वायरस की अत्यधिक संक्रामक प्रकृति को देखते हुए, यह अधिक संभावना है कि वे कम गिनती कर रहे हैं, बजाय इसके कि उनके पास कोई सीओवीआईडी ​​-19 मामले नहीं हैं। निःसंदेह, इसके अपवाद भी हैं; उदाहरण के लिए, महामारी की शुरुआत में, न्यूज़ीलैंड ने प्रसार को रोकने के लिए कठोर उपाय लागू किए और बड़े पैमाने पर वायरस को नियंत्रित रखा। फिर देशों को इस अनुपात के आधार पर क्रमबद्ध किया गया, और उच्चतम 50 अनुपातों को उन क्षेत्रों के रूप में चुना गया जहां COVID-19 की अपेक्षाकृत विश्वसनीय रूप से पहचान और रिपोर्ट किए जाने की संभावना है। जनसंख्या प्रतिरोध के प्रभावों पर ध्यान केंद्रित करने के लिए, उन 50 में से, हमने उन देशों का चयन किया, जिन्होंने जुलाई 2021 तक टीकाकरण या पिछले संक्रमणों से उबरने के माध्यम से 60 प्रतिशत या अधिक जनसंख्या प्रतिरोध हासिल कर लिया। इससे हमारे पास 14 लक्षित देश रह गए (अर्जेंटीना, कनाडा, संयुक्त राज्य अमेरिका, यूनाइटेड किंगडम, इटली, ऑस्ट्रिया, आयरलैंड, चेक गणराज्य, फ्रांस, उरुग्वे, स्लोवेनिया, इज़राइल, स्विट्जरलैंड और लक्ज़मबर्ग), जैसा कि चित्र 2 में दिखाया गया है।

For more information:1950477648nn@gmail.com