چکیده

:

با افزایش تهدید COVID-19، بسیاری از کشورها مداخلات غیردارویی مختلفی را انجام داده‌اند. اگرچه بسیاری از مطالعات تاثیر این مداخلات را ارزیابی کرده‌اند، فقدان نقشه‌برداری بین پارامترهای مدل و مناطق جغرافیایی واقعی وجود دارد. در این مطالعه، یک مدل مداخله غیردارویی COVID-19 بر اساس یک شبکه گسسته از دیدگاه جغرافیا پیشنهاد شده است. این مدل می تواند اطلاعات مستقیم و مؤثرتری را برای تدوین سیاست های پیشگیری و کنترل ارائه دهد. ابتدا یک شبکه چند سطحی برای تقسیم فضای جغرافیایی معرفی شد و از خصوصیات مرز شبکه برای توصیف وضعیت و شدت قرنطینه در این فضاهای مختلف استفاده شد. این نیز با مدل انزوای بیمارستانی و محافظت از خود ترکیب شد. سپس، فرآیندی برای تکامل مکانی و زمانی شیوع اولیه COVID-19 پیشنهاد شده است که ویژگی های فعالیت های روزانه ساکنان را یکپارچه می کند. در نهایت، تأثیر مداخلات به‌وسیله مدل انتقال پویا COVID-19 مورد تجزیه و تحلیل کمی قرار گرفت. نتایج نشان داد که قرنطینه موثرترین مداخله به ویژه برای بیماری‌های عفونی با میزان عفونی بالا است. معرفی قرنطینه می‌تواند به طور موثری تعداد انسان‌های آلوده را کاهش دهد، حداکثر تعداد افراد مبتلا را به اوج برساند و طول مدت همه‌گیری را کوتاه کند. با این حال، قرنطینه ها تنها زمانی به درستی عمل می کنند که با شدت کافی به کار گرفته شوند. ایزوله سازی بیمارستان و اقدامات محافظتی از خود می تواند به طور مؤثری از گسترش COVID-19 کند کند، بنابراین زمان بیشتری را برای بخش های مربوطه فراهم می کند تا آماده شوند. اما زمانی که بیمارستان به ظرفیت کامل برسد، دوباره شیوع پیدا خواهد کرد. علاوه بر این، منابع پزشکی باید در مکان‌هایی متمرکز شوند که نیاز فوری‌ترین آنها وجود دارد، تحت یک اقدام قرنطینه سختگیرانه.

 

1. مقدمه

در دسامبر 2019، بیماری کروناویروس 2019 (COVID-19) در سراسر جهان گسترش یافت. با توجه به ویژگی های نرخ بالای عفونت، دوره کمون و عفونت بدون علامت، ویروس به سرعت در بین جمعیت گسترش یافت و به عنوان یک ضربه بی سابقه به زندگی انسان، توسعه اقتصادی و ثبات اجتماعی وارد شد [ 1 ، 2 ، 3 ، 4 ]. در غیاب واکسن مؤثر، کشورها باید مداخلات مؤثری را در اسرع وقت برای کاهش شیوع COVID-19 اجرا می‌کردند، مانند اقدامات قرنطینه سخت، پوشیدن ماسک صورت، تعطیلی مدارس و آزمایش‌های گسترده [ 5 ].]. با این حال، ماهیت ناشناخته و ناگهانی این ویروس، اجرای هرچه زودتر سیاست های علمی و منطقی اضطراری را برای کشورها دشوار کرده است. در همین حال، استقرار پرسنل در مقیاس بزرگ و توزیع منابع و همچنین اجرای برنامه سیاست نیز نیاز به یک دوره طولانی آماده سازی دارد. بنابراین، دامنه اجرا، مقیاس اجرا، زمان مداخله و اثر بالقوه اقدامات پیشگیری و کنترل عوامل کلیدی هستند که باید برای همه کشورهایی که از درجات مختلف شیوع COVID-19 رنج می‌برند، فوری تصمیم‌گیری شود. اتخاذ سریع این تصمیمات، پشتوانه مهمی برای اجرای اقدامات پیشگیری و کنترل علمی و مؤثر خواهد بود.
مطالعات اولیه انجام شده در مورد کووید-19 عمدتاً بر اپیدمیولوژی متمرکز بود که تقریباً می توان آن را به سه جنبه تقسیم کرد: تخمین پارامترهای اپیدمیولوژیک، پیش بینی وضعیت اپیدمی و تجزیه و تحلیل اثربخشی اقدامات مداخله. در مراحل اولیه شیوع COVID-19، تعداد اولیه تولید مثل، دوره نهفتگی، و سایر پارامترهای اپیدمی با استفاده از داده‌های گزارش اولیه موارد و داده‌های صادرات خارج از کشور تخمین زده شد که برای درک مکانیسم انتقال پویا COVID-19 مفید بود. در حین ارزیابی اولیه سطح خطر اپیدمی [ 6 ، 7 ، 8 ، 9 ، 10]. پس از آن، وضعیت اپیدمی آینده با برازش داده های مورد گزارش شده بر اساس مدل های بخش بهبود یافته پیش بینی شد. به عنوان مثال، مستعد، در معرض، آلوده، قرنطینه شده، بهبود یافته (SEIQR). حساس، آلوده، حذف-X (SIR-X)؛ و مدل‌های حساس، عفونی، قرنطینه‌شده، بازیابی شده (SIQR) پیشنهاد شدند [ 11 ، 12 ، 13 ]. یک مدل حساس منطقه ای، در معرض، آلوده، بهبود یافته، مرده (SEIRD) که انتشار فضایی و ناهمگونی بیماری های عفونی را ترکیب می کند [ 14 ] ارائه شد. و مدل حساس، در معرض، عفونی، بازیابی شده، حساس (SEIRS) با ساختار نمایی پیشنهاد شد [ 15]. به طور مشابه، مدل‌های انتقال دینامیک جدید بیماری‌های عفونی با افزودن عفونی‌کننده‌های بدون علامت و عفونت‌های محیطی به مدل حساس، در معرض، عفونی، بهبود یافته (SEIR) توسعه یافتند [ 16 ، 17 ، 18 ، 19 ، 20 ]. برخی از مدل‌های رگرسیون مبتنی بر تصادفی برای پیش‌بینی پدیده‌ها در ده تا از تحت‌تاثیرترین ایالت‌های برزیل استفاده شد [ 21 ]. یک مدل ترکیبی ARIMA-WBF برای پیش‌بینی کشورهای مختلف آلوده به کووید-19 در سرتاسر جهان [ 22 ] در نظر گرفته شد و یک مدل سه مرحله‌ای در معرض، آلوده، حساس، بیمارستانی، بهبودیافته (e-ISHR) با معرفی مکانیسم تاخیر زمانی ایجاد شد [ 23 ].]. یک سیستم پویایی چند مرحله ای گسسته با تأخیر زمانی بر اساس روند توسعه اپیدمی چین ایجاد شد [ 24 ]، در حالی که تکامل گسترش اپیدمی با معرفی ویژگی های آماری توزیع شبکه پیچیده در یک مدل اپیدمیولوژیک [ 25 ، 26 ] شبیه سازی شد.]. با این حال، بیشتر این مدل‌ها بر تحلیل سری‌های زمانی گسترش COVID-19 تمرکز دارند. چنین پارامترهای مدل دارای اهمیت اپیدمیولوژیک واضح هستند اما فاقد یک توصیف مکانی-زمانی از اهمیت عملی هستند. با اثرات مثبت پیشگیری و کنترل همه گیر در برخی کشورها، تأثیر اجرای اقدامات مختلف پیشگیری و کنترل همه گیر در کاهش وضعیت همه گیر ارزیابی شده است، مانند قرنطینه [ 6 ، 13 ، 18 ، 27 ، 28 ، 29 ]. ]، پوشیدن ماسک صورت [ 16 ، 30 ]، فاصله گذاری اجتماعی [ 16 ، 18 ، 30 ،31 ]، محدودیت های سفر [ 32 ، 33 ]، ردیابی و جداسازی موارد [ 16 ، 34 ]، تعطیلی مدارس [ 18 ]، حفاظت از سالمندان بالای 70 سال [ 18 ]، ایزوله سازی بیمارستان [ 23 ، 35 ] و عوامل خارجی (تهویه و شستشوی دست) [ 36 ، 37 ، 38 ، 39 ]. تأثیر این مداخلات با انجام تحلیل‌های آماری از روند داده‌های اپیدمی برخی از کشورهایی که مداخلات متفاوتی را اجرا کرده‌اند، ارزیابی شده است [ 40 ، 41 ، 42 ].]. با این حال، هدف اصلی برآورد اثربخشی اقدامات مداخله با تنظیم پارامترهای ریاضی مدل برای شبیه‌سازی روند اپیدمی زمانی است که اقدامات مداخله متفاوت بر اساس مدل پیش‌بینی استفاده می‌شود. با این حال، هیچ توضیح معقولی برای نگاشت بین مقادیر پارامتر مدل و اهمیت عملی اعمال مداخلات ویژه وجود ندارد – برای مثال، چه مقیاسی از اقدامات جداسازی مورد نیاز است که معادل کاهش 30 درصدی نرخ تماس باشد؟ در عین حال، این مطالعات به ندرت در نظر می گیرند که تکامل مکانی-زمانی COVID-19 ممکن است تأثیرات متفاوتی بر مداخلات اپیدمی داشته باشد. علاوه بر این، بیشتر این مدل‌ها عمدتاً مبتنی بر مدل بخش‌ای هستند و منطقه اپیدمی را به عنوان یک کل در نظر می‌گیرند. بنابراین، آنها فاقد اطلاعات مکانی دقیق هستند. بنابراین، به دست آوردن اطلاعات در مورد گسترش فضایی COVID-19 دشوار است. بنابراین، این سوال که چگونه می توان از روش کمی برای ادغام اطلاعات مکانی و تأثیر مداخلات در مدل سنتی کلاسیک تقسیمی مبتنی بر یک فرآیند سری زمانی استفاده کرد، تمرکز تحقیقات علمی ما است.
جغرافیا موضوعی است که به تحقیق در مورد قاعده توزیع مکانی، فرآیند تکامل مکانی – زمانی و ویژگی‌های منطقه‌ای عناصر جغرافیایی می‌پردازد و در زمینه‌های مختلف کاربرد گسترده‌ای داشته است. روند انتشار و عفونت COVID-19 تحت تأثیر یک سری عوامل پیچیده طبیعی و اجتماعی است. نحوه انتقال آن معمولاً باید از طریق تماس نزدیک باشد. بنابراین، مهمترین ویژگی آن فرآیند گسترش فضایی و زمانی است – یعنی انتقال آن از نظر سری زمانی و عناصر مکانی منظم است که منجر به درک یک پدیده به صورت جغرافیایی و بالقوه قابل نقشه برداری می شود [ 43 ، 44 ].]. اخیراً مطالعات زیادی در این زمینه انجام شده است. برای مثال، داده‌های موقعیت مکانی تلفن همراه برای پیش‌بینی وضعیت همه‌گیری در ووهان از منظر تعامل فضایی استفاده شد [ 45 ]. ارتباط بین معیارهای سطح خانه سالمندان آمریکایی و متغیرهای مبتنی بر مکان با COVID-19 تأیید کرد که موارد در خانه های سالمندان در سراسر ایالات متحده با استفاده از فناوری مدل سازی فضایی ایجاد شده است [ 46 ]. مدل طاقچه اکولوژیکی (ENM) برای جمع آوری داده های همه گیر و 9 متغیر اجتماعی-اقتصادی برای شناسایی مناطق خطر بالقوه در پکن، شنژن و گوانگدونگ استفاده شد [ 47 ]]. با این حال، داده‌های مشاهدات دقیق ازدحام، مانند داده‌های تعامل فضایی ازدحام و داده‌های فعالیت ساکنان، در شرایط اضطراری ایمنی و بهداشت عمومی به سختی به دست می‌آیند، که معمولاً منجر به مشکل عدم پوشش یا پوشش ناقص می‌شود. اگرچه این مطالعات از داده‌های چند منبعی برای تجزیه و تحلیل وضعیت همه‌گیری استفاده کرده‌اند، اما به دلیل دقت و وضوح داده‌ها، همچنان به دسته‌های مشاهده و استدلال با مقدار کمی از داده‌های نمونه تعلق دارند. علاوه بر این، بیشتر داده‌های مربوط به همه‌گیری کنونی فقط شامل محلی است که بیماران برای اولین بار علائم را نشان می‌دهند و مکان آلوده شدن بیماران را ناشناخته می‌گذارند. این نشان می‌دهد که داده‌های مربوط به همه‌گیری کنونی نیز مشکل عقب‌نشینی دارند. بدین ترتیب،48 ].
در این مقاله، ما یک مدل پیشگیری و کنترل COVID-19 بر اساس یک شبکه گسسته پیشنهاد می‌کنیم. اهداف این مطالعه دوگانه است: اول، ارزیابی و کمی کردن اثرات مداخلات با ادغام یک مدل دینامیکی سری زمانی COVID-19 و اطلاعات مکانی. دوم، ایجاد ارتباط بین پارامترهای مدل و اهمیت کاربرد عملی، و نه تنظیم صرف پارامترهای ریاضی مدل برای نشان دادن اثربخشی مداخلات. پارامترهای مدل ما دامنه منطقه واقعی و شدت اقدامات بود که می تواند اطلاعات بهتر و مستقیم تری را برای سیاست های اضطراری ایمنی و بهداشت عمومی ارائه دهد [ 49 ]]. بنابراین از یک شبکه چند سطحی برای تقسیم فضای جغرافیایی منطقه اپیدمی استفاده شد و وضعیت و شدت قرنطینه منطقه فرعی به ترتیب با خطوط نقطه‌دار و توپر مرز و اندازه شبکه توصیف شد. . سپس با تخصیص ظرفیت پزشکی به زیرمنطقه آسیب‌دیده با توجه به همبستگی بین توزیع فضایی بیمارستان‌ها و زیر منطقه، یک مدل جداسازی بیمارستان ساخته شد. علاوه بر این، پارامترهای ابزار برای محافظت از خود انسان (شامل پوشیدن ماسک صورت، شستن مکرر دست‌ها و تهویه هوا) برای دستیابی به مدل‌سازی اقدامات محافظتی از خود به مدل پویایی COVID-19 وارد شد. در غیاب داده های دقیق ردیابی رفتار،50 ]. تکامل گسترش مکانی و زمانی COVID-19 از طریق ویژگی‌های رفتاری فعالیت‌های روزانه ساکنان بر اساس همبستگی فضایی بین مناطق فرعی شبیه‌سازی شد. سپس مدل پویایی COVID-19 با عفونت بدون علامت برای تجزیه و تحلیل و کمی کردن وضعیت عفونی COVID-19 تحت تأثیر مداخلات مختلف معرفی شد. از آنجایی که فقدان داده‌های اپیدمی اولیه برای ووهان ناشی از مداخلات اولیه و ماهیت ناشناخته ویروس بود، در حالی که اقدامات پیشگیری و کنترل همه‌گیری در خارج از کشور نسبتاً دیر اعمال شد و سهل‌انگیز بود [ 19 ]]، از داده‌های اولیه گزارش‌شده موارد بریتانیا، ایالات متحده، اسپانیا و آلمان برای بحث در مورد وضعیت شیوع COVID-19 استفاده شد. پارامترهای یک مدل پویا از انتشار عاری از COVID-19 برای به دست آوردن منحنی آلوده ووهان بدون هیچ مداخله ای به ووهان آورده شد. سپس، پتانسیل اقدامات قرنطینه، اقدامات ایزوله سازی بیمارستان و اقدامات محافظتی از خود برای کاهش شیوع بیماری همه گیر در مقیاس های مختلف و با زمان های مختلف مداخله مورد بحث قرار گرفت. در نهایت، عقلانیت و درستی مدل با داده‌های واقعی ووهان، از جمله داده‌های اپیدمی، داده‌های توزیع بیمارستان و داده‌های ویژگی‌های پزشکی مورد ارزیابی قرار گرفت. نوآوری های این مطالعه به شرح زیر است:
(من). ارتباط بین پارامترهای مدل و فضای جغرافیایی از منظر جغرافیا برقرار می شود. این پارامترهای مدل اهمیت آموزنده عملی را برای مداخلات ویژه ارائه می دهد، نه اینکه آنها فقط برای توصیف اثر اقدامات پیشگیری و کنترل مورد استفاده قرار گیرند، که می تواند اطلاعات مستقیم و مؤثرتری را برای تدوین سیاست های پیشگیری و کنترل ارائه دهد.
(II). اثر اقدامات جداسازی بیمارستان با محاسبه تعداد بیماران بستری در بیمارستان‌ها در هر منطقه آلوده از منظر توزیع فضایی و زمانی بیمارستان ارزیابی می‌شود.

2. مواد و روشها

2.1. داده ها

ووهان در 31 دسامبر 2019 یک “ذات الریه ویروسی با منشأ ناشناخته” را گزارش کرد، سپس “تعطیلی در سطح شهر” را صادر کرد. دولت پی در پی مجموعه ای از اقدامات مانند محدود کردن حمل و نقل، تعطیلی مدارس، بستن مکان های تفریحی و ممنوعیت تجمعات عمومی را صادر کرد. در همان زمان، بسیاری از بیمارستان های تعیین شده مانند “هوشنشان” و “لیشنشان” و همچنین بیمارستان های سرپناه “فنگ کانگ” شروع به بهره برداری کردند. کادر پزشکی و منابع پزشکی از سراسر کشور در مبارزه با COVID-19 مشارکت داشتند. به منظور بحث در مورد تأثیر مداخلات مختلف برای کاهش شیوع COVID-19، این مطالعه داده‌های اپیدمی جهانی، از جمله تعداد موارد تأیید شده در روز و تعداد تجمعی افراد درمان شده و مرگ‌ومیر ناشی از dingxiangyuan را جمع‌آوری کرد.https://ncov.dxy.cn/ncovh5/view/pneumonia ; 1 ژوئن 2020) و مخزن داده COVID-19 توسط مرکز علوم و مهندسی سیستم ها (CSSE) در دانشگاه جانز هاپکینز [ 51 ]؛ داده های بیمارستان های تعیین شده در ووهان، از جمله توزیع فضایی بیمارستان ها، زمان مداخله، تعداد تخت های باز و تعداد تجمعی بیماران از کمیسیون بهداشت شهرداری ووهان ( https://zwfw.hubei.gov.cn/webview/ yqzq/index.html; 20 ژوئن 2020)؛ و داده های منابع پزشکی جمع آوری شده در ووهان، از جمله تعداد کادر پزشکی ثبت شده محلی، تعداد کادر پزشکی پشتیبانی در مناطق مختلف، و تعداد ماسک های صورت (شامل ماسک های N95 و ماسک های پزشکی-جراحی) از وب سایت های اداره آمار استان هوبی، دولت مردمی استان هوبی ( https://tjj.hubei.gov.cn/ztzl/jjdyqqfkjjz/zxtb/ ؛ 20 ژوئن 2020)، و مردم روزانه ( https://www.people.com). cn/ ؛ 20 ژوئن 2020). نویسندگان داده ها را در پایگاه داده عمومی zenodo سازماندهی و ذخیره کردند. پیوندهای داده مربوطه در انتهای این مقاله فهرست شده است.
از تعداد روزانه موارد گزارش شده جدید در ووهان، می توان دریافت که یک افزایش ناگهانی در 12 فوریه 2020 رخ داده است ( جدول 1 ). دلیل این امر این است که کیت تشخیص اسید نوکلئیک ویروس جدید (2019-nCoV) (کاوشگر فلورسانس PCR) به تشخیص بالینی (از جمله روش توموگرافی کامپیوتری (CT)) تغییر یافت. اگرچه، برای تأیید بعدی غیرقابل توجیه بود. این مشکل از طریق مدل منحنی غیرخطی ریچاردز [ 52 ] مورد تجزیه و تحلیل قرار گرفت و با توجه به دوره نهفتگی کووید-19 که 7 تا 14 روز طول کشید، تعداد روزانه کالیبره شده موارد تایید شده جدید از 30 ژانویه 2020 تا 12 فوریه 2020 برابر است. در جدول 1 نشان داده شده است.

2.2. مدل اقدامات قرنطینه بر اساس یک شبکه گسسته

اقدامات قرنطینه معمولاً «استان-شهر-منطقه-خیابان-جامعه-روستا-خانه” را به عنوان واحد اساسی برای محدود کردن دامنه فعالیت افراد در نظر می‌گیرد که ارتباط بین افراد مبتلا و افراد مستعد را به شدت کاهش می‌دهد. با این حال، عدم اطمینان از اندازه و شکل نامنظم این واحد سنتی پیشگیری و کنترل می‌تواند مشکلات زیادی را در مدل‌سازی ایجاد کند. علاوه بر این، دستیابی به داده های تقسیم اداری دقیق تر معمولاً برای سایر نویسندگان آسان نیست. همانطور که در شکل 1 نشان داده شده استواحدهای پیشگیری و کنترل «شهر-منطقه-خیابان-جامعه-خانه» می‌توانند از سطوح مختلف شبکه برای جبران مشکل جمع‌آوری داده‌ها و شکل نامنظم آن استفاده کنند و مناطق شبکه مؤثر در محدوده‌های مؤثر محدود شدند. در بخش اداری با توجه به ویژگی‌های فضایی قرنطینه فیزیکی، گسسته‌سازی منطقه جغرافیایی توسط یک شبکه گسسته چند سطحی با اندازه‌ها و سری‌های مختلف واحدهای شبکه محقق شد. یک واحد آماری تطبیقی ​​می تواند توسط یک شبکه جغرافیایی سلسله مراتبی تشکیل شود تا واحد پیشگیری و کنترل سنتی را پر کند. در عین حال می توان از خطوط نقطه چین و یکپارچه مرز و اندازه شبکه به ترتیب برای توصیف وضعیت و شدت قرنطینه در مناطق مختلف استفاده کرد.
طراحی خاص به شرح زیر بود: مناطق تحقیق با استفاده از یک شبکه گسسته به زیر منطقه های مختلف تقسیم شدند که در آن تعداد کل زیر منطقه ها با n نشان داده می شد . با اشاره به مدل پویایی گسترش COVID-19 پیشنهاد شده توسط Okuonghae و همکاران. [ 16 ]، تعداد کل انسان‌ها در منطقه اپیدمی، که با N نشان داده می‌شود ، به انسان‌های حساس S ( t )، انسان‌های در معرض E ( t )، انسان‌های عفونی بدون علامت A ( t )، انسان‌های عفونی علامت‌دار I ( t ) تقسیم شدند. ، انسان های آلوده از طریق آزمایش C ( t) و انسان های R ( t ) را بازیابی کردند. مرز شبکه قبل از اجرای قرنطینه با یک خط نقطه چین نشان داده شد ( شکل 2 ). در این زمان، محدودیت‌های کمی برای تماس بین افراد وجود داشت و شیوع COVID-19 آزادانه رخ می‌داد. تغییرات عددی هر انسان را می توان با مدل دینامیکی اپیدمی کل منطقه، همانطور که در معادلات (1)-(6) زیر نشان داده شده است، کمی سازی کرد. پارامترهای متغیر مربوط به مدل در جدول 2 توضیح داده شده است.

استی=اس1–∑j=1تی–1(β0(αآj+منj)ن–سیjاسj)،
Eتی=E1+∑j=1تی–1(β0(αآj+منj)ن–سیjاسj–σEj)،
آتی=آ1+∑j=1تی–1(υσEj–(θ+γآ)آj)،
منتی=من1+∑j=1تی–1((1–ν)σEj–(φ+γo+دo)منj)،،
سیتی=سی1+∑j=1تی–1(θآj+φمنj–(γج+دج)سیj)،
آرتی=آر1+∑j=1تی–1(γجسیj+γآآj+γoمنj).
هنگامی که اقدامات قرنطینه ای اجرا شد، تمام مرزهای شبکه از نقطه چین به خطوط ثابت تغییر کرد و زمان فعلی t 0 نشان داده شد . فعالیت‌های افراد محدود به مناطق فرعی بود، به این معنی که COVID-19 فقط می‌توانست در مناطق شبکه آلوده منتشر شود و نمی‌توانست بر سایر مناطق شبکه تأثیر بگذارد ( شکل 2 ). تعداد انسان های مختلف در زیرشبکه با نشان داده می شد اسمنتی، Eمنتی، آمنتی، منمنتی، سیمنتیو آرمنتیبه ترتیب در زمان t تغییرات عددی هر انسان مجموع همه زیرمنطقه‌ها بود، همانطور که در معادلات (7) تا (12) زیر نشان داده شده است. نمنبه تعداد افراد در هر سلول شبکه اشاره دارد و مقدار ویژه آن از داده های سالنامه آماری با استفاده از درون یابی کریجینگ [ 50 ] به دست آمده است:

استی=∑من=1n(اسمنتی0–∑j=1تی–1β0(αآمنj+منمنj)نمن–سیمنjاسمنj)،
Eتی=∑من=1n(Eمنتی0+∑j=1تی–1(β0(αآمنj+منمنj)ن–سیمنjاسمنj–σEمنj))،
آتی=∑من=1n(آمنتی0+∑j=1تی–1(υσEمنj–(θ+γآ)آمنj))،
منتی=∑من=1n(منمنتی0+∑j=1تی–1((1–ν)σEمنj–(φ+γo+دo)منمنj))،
سیتی=∑من=1n(سیمنتی0+∑j=1تی–1(θآمنj+φمنمنj–(γج+دج)سیمنj))،
آرتی=∑من=1n(آرمنتی0+∑j=1تی–1γجسیj+γآآj+γoمنj).

2.3. مدل گسترش فضایی-زمانی COVID-19 بر اساس یک شبکه گسسته

مهم‌ترین ویژگی بیماری‌های عفونی این است که برای گسترش آن‌ها نیاز به مسیر انتشار خاصی مانند انتشار هوا، انتشار قطرات، تماس نزدیک و انتشار خون دارند. ادارات دولتی معمولاً مداخلاتی را برای قطع مسیر انتقال بین انسان‌های آلوده و مستعد انجام می‌دهند، مانند اجرای اقدامات قرنطینه سخت، آزمایش، ردیابی موارد، پوشیدن ماسک صورت و حفظ فاصله فعال از بیماران مبتلا به تب. بنابراین، لازم است تا قبل از اجرای قرنطینه، توزیع تعداد انسان های آلوده در هر منطقه شبکه تعیین شود تا تأثیر مداخلات مختلف ارزیابی شود.
تفاوت در مناطق و انواع ویروس به این معنی است که حالت انتشار فضایی، مسیر انتشار و ظرفیت انتشار بیماری های عفونی دارای تفاوت های خاصی است. با این حال، به دلیل همبستگی فضایی زندگی، کار، دامنه فعالیت‌ها و محیط اطراف افراد، انتقال بیماری‌های عفونی محدود شده توسط آن عوامل فضایی همبستگی مکانی دارد. زمانی که جریان افراد در یک منطقه اپیدمی کاملاً محدود نباشد، تعداد افراد تازه آلوده در یک منطقه فرعی در یک زمان خاص نه تنها تحت تأثیر تعداد افراد آلوده در زمان قبلی است، بلکه تحت تأثیر تعداد افراد آلوده نیز قرار می‌گیرد. افراد آلوده در مناطق اطراف50 ]. همانطور که در شکل 3 نشان داده شده است ، بیماران در ناحیه آلوده هستند آمنتیبه احتمال زیاد مردم در هشت منطقه مجاور (منطقه آبی روشن) بعدی را آلوده می کنند. بنابراین، منطقه اپیدمی با یک بافر از سلول‌های شبکه آلوده ساخته شده توسط ویژگی‌های رفتاری فعالیت‌های متوسط ​​افراد برای به دست آوردن تعداد مناطق شبکه تازه آلوده در هر روز، که در آن شعاع با r نشان داده می‌شود، تقاطع یافت. یک سلول شبکه ناقص آلوده برای راحتی محاسبه به عنوان آلوده در نظر گرفته شد. به منظور اطمینان از سازگاری مقیاس انتشار، ما از حداکثر مقیاس شبکه آزمایش (1000 متر) به عنوان مبنایی برای انتشار استفاده کردیم.
در روند انتقال کووید-19، تعداد موارد افراد تازه آلوده در روز همیشه دارای یک روند تغییر سری زمانی است که ابتدا افزایش و سپس کاهش می‌یابد. در این میان، افراد آلوده به تعداد نقاط گسسته در فضای جغرافیایی انتزاع می شوند. طبق قانون اول جغرافیای توبلر، فرآیند انتقال COVID-19، همانطور که توسط عوامل مکانی جغرافیایی محدود شده است، دارای ویژگی های همبستگی فضایی قوی است [ 44 ]. فاصله برای توصیف مفهوم وزن فضایی سلول‌های شبکه آلوده استفاده می‌شود، که می‌تواند به بدست آوردن تعداد افراد تازه آلوده در لحظه بعد در سلول شبکه آلوده مربوطه، همانطور که در شکل 3 نشان داده شده است، کمک کند.و معادلات (13) و (14). علاوه بر این، تعداد افراد باید در توزیع گرد شود:

دبلیومنتی=(ساعتمنjتی)–پ/∑من=1nتی(ساعتمنjتی)–پ،
ساعتمنjتی=(ایکسمنتی–ایکسjتی–1)2+(yمنتی–yjتی–1)2،

جایی که دبلیومنتیوزن تعداد جمعیت های تازه آلوده اختصاص داده شده توسط سلول شبکه آلوده است، ساعتمنjتیفاصله سلول شبکه عفونی تا سلول شبکه آسیب دیده است، (ایکسمنتی–1،yمنتی–1)مختصات نقطه مرکزی سلول شبکه عفونی است، (ایکسjتی–1،yjتی–1) مختصات نقطه مرکزی سلول شبکه آسیب دیده است، n t تعداد سلول های شبکه آسیب دیده است، و پهر عدد واقعی مثبت است (معمولا 2).

2.4. مدل اقدامات حفاظتی

در طول شیوع کووید-19، مردم اقدامات محافظتی زیادی از جمله استفاده از ماسک صورت، شستن مکرر دست‌ها، تهویه خانه‌ها و حفظ فاصله از بیماران مبتلا به تب را انجام دادند. مطالعات بالینی و بیماری‌های عفونی نشان داده‌اند که اجرای اقدامات حفاظتی مناسب می‌تواند خطر ابتلا به عفونت و انتشار خارجی ویروس را به میزان 70 تا 80 درصد کاهش دهد [ 53 ]. در این مطالعه پارامتر εمعرفی شد تا نشان دهنده نسبت افرادی باشد که اقدامات موثر محافظت از خود را انجام می دهند. احتمال ابتلای انسان‌های حساس که اقدامات حفاظتی مؤثری را انجام می‌دهند تا 30 درصد مقدار طبیعی کاهش یافت. در مقابل، میزان عفونت و گسترش خارجی به انسان‌های دیگر بدون تغییر باقی ماند ( شکل 4 الف).

2.5. مدل اقدامات ایزوله سازی بیمارستان

در طول گسترش کووید-19، دولت بیمارستان ها و کلینیک های سرپایی خاصی را برای شناسایی و پذیرش بیماران مشکوک به کووید-19 تعیین کرد. افراد معمولاً زمانی که خود را ناسالم می بینند، به دلیل تأثیر زندگی، کار، محدوده فعالیت و محیط اطراف، برای تشخیص به بیمارستان نزدیک می روند. بنابراین، توزیع فضایی بیمارستان‌ها و تعداد تخت‌های موجود تأثیر زیادی در گسترش کووید-19 دارد. یک همبستگی فضایی قوی بین یک فضای جغرافیایی و یک بیمارستان وجود دارد. اگر بیمار در بیمارستان بستری شود، دیگر در زنجیره انتقال بیماری های عفونی شرکت نمی کند. با توجه به تاخیر زمانی باز بودن تخت های پزشکی و اینکه سرمایه گذاری دولت در تخت های پزشکی معمولا بر اساس تعداد افرادی است که در حال حاضر مبتلا هستند، δبرای تعداد افراد آلوده برای شبیه سازی تعداد تخت های استفاده شده در بیمارستان در هر روز معرفی شد. سپس، تعداد موارد بستری شده در بیمارستان هر روز بر اساس وزن فاصله مکانی به سلول شبکه آلوده مربوطه اختصاص داده شد ( شکل 4 B)، که در آن سآو سمنبه ترتیب تعداد افراد آلوده بدون علامت و بدون علامت که در هر روز در بیمارستان بستری می شوند و مقادیر اختصاصی حاصل از ریاضیات می باشد. ∑من=1nسمنتیو نسبت تشخیص مربوطه ( θو φ). تعداد بیماران روزانه که در هر سلول شبکه ای در بیمارستان ایزوله می شوند در معادلات (15)-(17) زیر نشان داده شده است:

ساعتمنj=(ایکسمن–ایکسj)2+(yمن–yj)2،
دبلیومنj=ساعتمنj–پ/∑j=1nمنساعتمنj–پ،
سمنتی={0،تی≤تیj0∪تی≥تیj1∑j=1اچwمنj×δ×(آتی+منتی)،تیj0≤تی≤تیj1،

جایی که سمنتیتعداد بیماران بستری شده در بیمارستان در سلول شبکه (شامل بدون علامت و علامت)، ساعتمنjفاصله بین سلول شبکه و بیمارستان است، wمنjوزن اختصاص داده شده به تعداد بیماران بیمارستان در سلول شبکه مربوطه است، (ایکسمن،yمن)مختصات نقطه مرکزی سلول شبکه آلوده است، (ایکسj،yj)مختصات بیمارستان است، nمنتعداد سلول های شبکه ای است که تحت تأثیر بیمارستان قرار گرفته اند و تیj0و تیj1به ترتیب زمان مداخله و زمان تعطیلی بیمارستان می باشد.

3. نتایج

3.1. شبیه سازی عددی و تجزیه و تحلیل تعداد انسان های آلوده بدون هیچ گونه مداخله ای

به منظور مقایسه تفاوت در تعداد افراد آلوده قبل و بعد از مداخله، منحنی افراد آلوده بدون هیچ مداخله ای باید تخمین زده شود. اولین چیزی که باید روشن شود این است که هیچ کشوری اجازه انتشار آزادانه بیماری های عفونی را نخواهد داد، به این معنی که منحنی آلوده آزادانه که نشان دهنده تعداد انسان های آلوده برای هر بیماری عفونی است معمولاً در دسترس نیست. اخیراً، بسیاری از مطالعات از داده های اپیدمی اولیه منطقه مورد مطالعه یا نمونه برداری تصادفی از تکثیر پایه شماره R 0 برای حل این مشکل استفاده کرده اند [ 16 ، 18 ]]. متأسفانه ووهان اولین شهری بود که با اپیدمی COVID-19 مواجه شد. با توجه به مشخصه های ناشناخته ویروس و مداخلات سریع و فشرده انجام شده، تعداد تخمینی انسان های آلوده شناسایی شده در این مرحله اولیه بسیار غیر قابل اعتماد است. بنابراین، نمی تواند روند اولیه تعداد انسان های آلوده را به درستی توصیف کند. با این حال، از آنجایی که اپیدمی های خارجی پس از شیوع در ووهان رخ داد، سطح تشخیص پزشکی بالا بود و مداخلات انجام شده در مناطق خارجی نسبتاً دیر و سهل بود [ 19 ]]؛ به احتمال زیاد این داده های اپیدمی اولیه با وضعیت انتشار رایگان COVID-19 مطابقت دارد. با این حال، تفاوت بین کشورهای مختلف از نظر الگوهای حرکت جمعیت و سطوح توسعه اقتصادی، روشن کردن عینی داده‌های کدام کشور برای شبیه‌سازی روند آلوده رایگان کووید-19 را دشوار می‌کند. بنابراین، برای این مطالعه، داده‌های اپیدمی اولیه را از بریتانیا، ایالات متحده، اسپانیا و آلمان انتخاب کردیم تا منحنی ایجاد کنیم که تعداد انسان‌های آلوده را در شرایطی که هیچ مداخله‌ای انجام نشده است نشان دهد.
از الگوریتم ژنتیک برای تخمین پارامترها با در نظر گرفتن تعداد موارد جدید گزارش شده در روز به عنوان شاخص تطبیقی ​​استفاده شد. سایر مقادیر پارامتر برای مدل پویا انتشار COVID-19 در جدول 3 نشان داده شده است. برای اطمینان از وجود تعداد کافی داده‌های نمونه، داده‌ها برای دوره زمانی 14 روز پس از اجرای اقدامات سخت‌گیرانه، هنوز داده‌های نمونه به دوره نهفتگی 7 تا 14 روز ارجاع داده می‌شوند. شایان ذکر است که تخمین ما از اعلام اولین مورد تایید شده در هر کشور شروع شد، اما در این زمان تعداد ناشناخته‌ای از افراد آلوده و در معرض در بین جمعیت وجود داشت. بنابراین، پارامترهای برآورد شامل برآورد روز اول موارد مواجهه E 1 بودموارد بدون علامت A 1 و موارد علامت دار I 1 . با توجه به اینکه ووهان یک برنامه تشخیص در مقیاس بسیار بزرگ را اجرا کرد، روش‌های حذف و بررسی دقیق را انجام داد و بیماران بدون علامت کمتری را گزارش کرد، محدودیت اولیه این است که موارد بدون علامت کمتر از موارد علامت‌دار در الگوریتم ژنتیک وجود دارد. ما الگوریتم ژنتیک را 100 بار تکرار کردیم تا از قابلیت اطمینان نتایج اطمینان حاصل کنیم. نتایج در شکل 5 نشان داده شده است ، و مقادیر پارامترهای تخمینی مربوطه در جدول 4 نشان داده شده است.. در اینجا، داده‌های دوره اولیه همه‌گیری در بریتانیا، ایالات متحده، اسپانیا و آلمان از 31 ژانویه 2020 تا 3 آوریل 2020، 20 ژانویه 2020 تا 28 مارس 2020، 1 فوریه 2020 تا 28 مارس 2020 و 27 ژانویه بوده است. 2020 تا 24 مارس 2020 به ترتیب.
شکل 5 نشان می دهد که نتایج مدل برای برازش داده های اولیه کشورهای مختلف بهتر بوده است (بخش نمودار کوچک در شکل 5 ). پس از استفاده از پارامترهای برازش شده برای ووهان، وضعیت انتشار آزاد COVID-19 در مقایسه با منحنی واقعی در ووهان عمدتاً در بهبود مقدار پیک، تمدید زمان رسیدن به اوج و مدت زمان وضعیت همه‌گیری منعکس شد. با این حال، اگرچه داده های اولیه به خوبی برازش شده بودند (بخش کوچک در شکل 4روند آتی منحنی‌های مختلف، عمدتاً از نظر تعداد قله‌ها، کاملاً متفاوت بود. این تفاوت به این دلیل بود که گسترش اپیدمی اولیه به راحتی تحت تأثیر توزیع جمعیت، جریان جمعیت و کارایی تشخیص منابع پزشکی در مناطق مختلف قرار گرفت. آلبرتی و همکاران همچنین اشاره کرد که عدم قطعیت زیادی در استفاده از داده‌های نمونه کوچک اولیه برای پیش‌بینی وضعیت همه‌گیری وجود دارد [ 55 ].
جدول 4 نشان می دهد که تعداد عفونت های بدون علامت در مراحل اولیه کمتر از عفونت های علامت دار بوده است که با وضعیت واقعی گزارش شده در ووهان مطابقت دارد. میزان تشخیص بیماران علامت دار نیز به طور قابل توجهی بیشتر از عفونت های بدون علامت بود. میزان عفونت β0، میزان تشخیص بدون علامت θ، میزان تشخیص علامتی φو شماره تکثیر اولیه آر0در پارامترهای تخمین زده شده تقریباً یکسان بود (همان کشورها)، و برآورد از آر0شبیه وو [ 6 ]، ژو [ 7 ] و وانگ [ 9 ] بود. با این حال، مقادیر تخمینی از E1، آ1، و من1کاملاً متفاوت بودند، عمدتاً به این دلیل که تأیید تعداد واقعی افراد آلوده که قبلاً خارج شده بودند اما در زمان پیدا شدن اولین مورد آزمایش نشده بودند یا هیچ علامتی نداشتند دشوار بود.
به طور خلاصه، ما 10 منحنی را با بالاترین خوبی برازش R2 که از داده‌های اولیه بریتانیا، ایالات متحده، اسپانیا و آلمان تخمین زده شده بود، به جای یک منحنی منفرد انتخاب کردیم، که تفاوت را برای ارزیابی بالقوه پیشگیری و کنترل حذف کرد. اقدامات تحت سطوح مختلف گسترش COVID-19 بدون هیچ مداخله ای انجام می شود.

3.2. تحلیل تجربی تأثیر اقدامات قرنطینه ای مختلف برای کاهش شیوع COVID-19

این بخش عمدتاً تأثیر اجرای قرنطینه با شدت‌های مختلف و زمان‌های مداخله متفاوت برای کاهش شیوع COVID-19 را مورد بحث قرار می‌دهد. اندازه شبکه نشان‌دهنده قدرت قرنطینه است – یعنی با ظریف‌تر شدن اندازه شبکه، اقدامات قرنطینه مربوطه سخت‌تر شد. ما زمان مداخله را زمانی که شهر ووهان “بسته شدن در سطح شهر” را به عنوان خط پایه (23 ژانویه 2020، روز 47) صادر کرد، در نظر گرفتیم و اندازه شبکه را به ترتیب 1000، 500، 250، 100 و 10 متر تعیین کردیم ( شکل 6). آ). سپس، اندازه شبکه را روی 10 متر ثابت کردیم و زمان مداخله را به ترتیب به روزهای 41، 44، 47، 50 و 53 تنظیم کردیم ( شکل 6).ب). میانگین شعاع زندگی روزانه مردم 2000 متر بود که بر اساس ویژگی های سفر ساکنان ووهان بود [ 56 ].
شکل 6 الف نشان می دهد که مقیاس منحنی عفونت رایگان COVID-19 هرچه باشد، با کاهش اندازه شبکه به منحنی اپیدمی واقعی ووهان نزدیک می شود. روند تغییر عمدتاً در کاهش مقدار پیک، کوتاه شدن زمان رسیدن به اوج و مدت زمان همه گیری منعکس شد. مهم نیست که از چه نوع حالت آلوده رایگان استفاده شده است، منحنی ها به سختی در شبکه 500 متری تغییر کردند. این عمدتاً به این دلیل است که گسترش COVID-19 به راحتی تحت تأثیر جریان جمعیت و توزیع جمعیت قرار گرفت و استفاده از یک شبکه 500 متری باعث محدود کردن تماس جمعیت شد. بنابراین، اقدامات قرنطینه باید به شدت کافی برسد تا اثربخش باشد، به ویژه در حالت قرنطینه خانگی (شبکه 10 متری).
از منظر سطح شدت منحنی‌های مختلف آلوده رایگان، مقدار اوج انسان‌های آلوده، زمان رسیدن به اوج و مدت زمان COVID-19 برای منحنی تحت قرنطینه مؤثر بسیار کاهش یافت. این نشان می‌دهد که قرنطینه یک اقدام بسیار مؤثر برای پیشگیری و کنترل همه‌گیری است، به‌ویژه برای ویروس‌هایی با قابلیت عفونت بالا، مانند SARS-CoV-2. این عمدتاً به این دلیل است که تأثیر قرنطینه به حداکثر رساندن محافظت از انسان های غیر آلوده با محدود کردن فعالیت های جمعیت است. با این حال، اگرچه منحنی با تعداد نسبتاً کمی از انسان‌های آلوده نیز با افزایش اندازه شبکه کاهش یافت، مقیاس کاهش بسیار کوچک‌تر بود. زمانی که وضعیت اپیدمی نسبتاً خفیف است، استفاده از آن غیر ضروری به نظر می رسد. زیرا قرنطینه های سخت مستلزم سرمایه گذاری غیرقابل تصور منابع مالی، مادی و انسانی است. این در کره جنوبی و ژاپن نشان داده شده است [5 ].
شکل 6 B نشان می دهد که منحنی اپیدمی از منحنی واقعی ووهان با تاخیر در زمان مداخله منحرف شده است. روند تغییر عمدتاً در افزایش ارزش پیک، تمدید زمان رسیدن به اوج و مدت زمان همه گیری منعکس می شود. در مقایسه با منحنی اپیدمی واقعی در ووهان، تعداد موارد تایید شده جدید در روز با به تعویق انداختن تنها یک هفته برای جداسازی بیش از دو برابر شد. این همچنین تاکید می کند که اقدامات قرنطینه باید به موقع اجرا شود تا نتایج رضایت بخش حاصل شود.

3.3. تجزیه و تحلیل آزمایشی تأثیر اقدامات مختلف محافظت از خود برای کاهش شیوع COVID-19

این بخش عمدتاً تأثیر اقدامات محافظت از خود را تحت نسبت های مختلف محافظت از خود مؤثر افراد و قرنطینه های با شدت های مختلف برای کاهش شیوع COVID-19 مورد بحث قرار می دهد. ما از زمان مداخله زمانی که گروهی از موارد ذات الریه با علت ناشناخته برای اولین بار توسط کمیسیون بهداشت شهرداری ووهان منتشر شد به عنوان خط پایه (11 ژانویه 2020، روز 35) استفاده کردیم و نسبت افرادی که از اقدامات محافظتی خود استفاده می کنند را 0.1، 0.2 تعیین کردیم. ، 0.3 و 0.4 از کل تعداد انسان ها ( شکل 7 A). سپس نسبت جمعیت را با استفاده از اقدامات حفاظتی تنظیم کردیم ( ε) به ترتیب به 0.1، 0.2، 0.3 و 0.4 تحت اندازه های شبکه 500، 250، 100 و 10 متری ( شکل 7 B).
شکل 7 الف نشان می دهد که منحنی آلوده رایگان COVID-19 به تدریج از منحنی آلوده واقعی ووهان دورتر شد زیرا نسبت افرادی که اقدامات محافظتی خود را انجام می دادند افزایش یافت. روند تغییر عمدتاً در زمان تاخیر یک اوج منعکس می شود. با این حال، اثر بر کاهش مقدار پیک خفیف بود. اگر بخواهیم به یک نتیجه ایده آل برسیم، میزان منابع مورد نیاز برای محافظت از خود غیرقابل تصور است. در عین حال، اقدامات محافظتی از خود اساساً مسیر انتشار ویروس را قطع نمی کند، بلکه تنها احتمال عفونت را کاهش می دهد. بنابراین، ما پیشنهاد می‌کنیم که نقش اتخاذ تدابیر حفاظت از خود عمدتاً به تأخیر انداختن رسیدن اوج همه‌گیری و تلاش برای زمان بیشتری برای آمادگی دولت است.
شکل 7B نشان می دهد که در 500 و 250 متر اقدامات حفاظتی در کاهش اندازه قله و به تاخیر انداختن زمان قله تأثیر دارد. با این حال، منحنی افراد آلوده به کووید-19 به سختی در اندازه های شبکه 100 و 10 متر تغییر کرده است. این نشان می دهد که تأثیر اقدامات محافظت از خود تحت اقدامات قرنطینه سخت آشکار نیست. این عمدتاً به این دلیل است که اجرای اقدامات قرنطینه ای سخت، منطقه تردد بیماران مبتلا را بسیار کوچک می کند و اقدامات محافظتی از خود در این زمان به سختی اجرا می شود. مثلاً وقتی دو نفر در خانه ایزوله هستند، فرقی نمی‌کند که ماسک بزنند یا نه. بنابراین پیشنهاد می‌کنیم تحت تدابیر سخت قرنطینه‌ای، برخی از منابع اقدامات حفاظتی از قبیل ماسک صورت، لباس‌های پزشکی، ضدعفونی‌کننده دست و ضدعفونی‌کننده استفاده شود.

3.4. تجزیه و تحلیل آزمایشی تأثیر اقدامات مختلف جداسازی بیمارستان برای کاهش شیوع COVID-19

این بخش عمدتاً تأثیر اقدامات ایزوله سازی بیمارستان با تعداد تخت های مختلف پزشکی و زمان های مختلف مداخله را در کاهش شیوع COVID-19 مورد بحث قرار می دهد. تعداد تخت های پزشکی با توجه به درصد افراد مبتلا در هر روز (شامل موارد علامت دار و بدون علامت) محاسبه شد. ما زمان مداخله را زمانی در نظر گرفتیم که اولین دسته از بیمارستان ها در ووهان تعیین شد (20 ژانویه 2020، روز 44) و نسبت تخت های پزشکی را تعیین کردیم ( δ) به 0.1، 0.2، 0.3، و 0.4 ( شکل 8 A,B). سپس نسبت تعداد تخت های سرمایه گذاری شده را به 0.1 ثابت کردیم و زمان مداخله را به ترتیب به روزهای 34، 37، 40، 43 و 46 تنظیم کردیم ( شکل 8 C).
شکل 8 الف نشان می‌دهد که منحنی آلوده رایگان کووید-19 با افزایش تعداد تخت‌ها در اوج کاهش یافت (نسبت افزایش یافت)، که بر اثربخشی اقدامات ایزوله‌سازی بیمارستان تأکید می‌کند. با این حال، به نظر نمی رسد زمان رسیدن به اوج و مدت اپیدمی تغییر کند. این عمدتاً به این دلیل است که هنگام استفاده از اقدامات ایزوله سازی بیمارستان، تعداد زیادی موارد کشف نشده یا غیرموثر در قرنطینه در جمعیت وجود داشت. به این ترتیب تخت های پزشکی به دلیل محدودیت تعداد تخت های پزشکی خیلی زود به ظرفیت کامل رسیدند. شکل 8 B نشان می‌دهد که تعداد کل تخت‌های پزشکی مورد نیاز تقریباً 580000 تخت برای نسبت 0.1 بوده است که دستیابی به آن در واقعیت دشوار است.
شکل 8 C نشان می دهد که منحنی آلوده آزاد به سمت چپ با جلو رفتن زمان مداخله منتقل شد. روند تغییر عمدتاً در افزایش زمان رسیدن به اوج و مدت اپیدمی منعکس می شود، اما به نظر می رسد اوج تغییر نکرده است. پس از حفظ سطح پایین گسترش اپیدمی برای مدت کوتاهی، تخت‌های پزشکی به ظرفیت کامل رسیدند و همه‌گیری دوباره در مقیاس وسیع شیوع پیدا کرد. در این زمان، سیستم پزشکی فروپاشید و مقیاس شیوع بیماری مشابه حالت اولیه شیوع بود. به نظر می رسد که ایالات متحده نیز با همین مشکل مواجه است. بنابراین پیشنهاد می کنیم اقدامات موثر دیگری برای کاهش فشار بر نظام پزشکی اتخاذ شود.

3.5. اعتبارسنجی مدل تحت مداخلات واقعی COVID-19 در ووهان

در این بخش، قرنطینه واقعی، تعداد تخت‌های پزشکی و نسبت افرادی که به طور مؤثر ماسک‌های صورت می‌پوشند (یک اقدام محافظتی) برای تأیید قابلیت اطمینان مدل استفاده شد. از نظر اقدامات قرنطینه، ما از یک شبکه 10 متری برای نشان دادن تقریباً اقدامات قرنطینه خانگی اجرا شده در ووهان استفاده کردیم. زمان مداخله 24 ژانویه 2020 بود، زمانی که ووهان یک “قفل کردن” را اجرا کرد. برای اقدامات انزوای بیمارستانی، 68 بیمارستان تعیین شده در ووهان وجود داشت که شامل 16 بیمارستان پناهگاه فانگ‌کانگ و بیمارستان‌های «هوشنشان» و «لیشنشان» با مجموع 38782 تخت بود. بنابراین، نسبت تخت تقریبا 0.06 بود. زمان مداخله زمانی بود که اولین دسته از بیمارستان های تعیین شده به بهره برداری رسیدند (20 ژانویه 2020). با توجه به اینکه به‌دست آوردن تعداد کل انسان‌هایی که از اقدامات محافظتی خود پیروی می‌کردند دشوار بود، نسبت افرادی که اقدامات محافظتی از خود را در ووهان انجام می‌دادند با نسبت افرادی که به طور مؤثر ماسک می‌پوشیدند نشان داده شد. ما فرض کردیم که هر یک از کارکنان پزشکی هر روز از دو ماسک صورت و هر شهروند هر سه روز یک ماسک استفاده می‌کنند. بنابراین، ووهان نیاز به مصرف 2.1744 میلیون ماسک در روز داشت زیرا تعداد کل کادر پزشکی در ووهان تقریباً 108720 (شامل کادر پزشکی محلی و پشتیبانی) بود و کل جمعیت ووهان تقریباً 14.18 میلیون نفر بود. طبق آمار، ووهان در مجموع 55.1 میلیون ماسک صورت (شامل ماسک های N95 و ماسک های پزشکی-جراحی) در بازه زمانی 3 تا 13 فوریه 2020 دریافت کرده است. نسبت موثر روزانه استفاده از ماسک را 0.1 تعیین کردیم. زمان مداخله اقدام محافظت از خود زمانی بود که گروهی از موارد پنومونی با علت ناشناخته برای اولین بار توسط کمیسیون بهداشت شهرداری ووهان (11 ژانویه 2020) توصیف شد. نتایج در نشان داده شده استشکل 9 .
شکل 9 نشان می دهد که: منحنی آلوده آزاد به طور مداوم تحت هر سه مداخله به منحنی اپیدمی واقعی ووهان کاهش می یابد و نتیجه نهایی نسبتاً با منحنی واقعی ووهان مطابقت دارد. این نیز اثربخشی مدل مورد استفاده در این مطالعه را نشان داد. در این میان، اقدامات قرنطینه ای مؤثرترین بود و اقدامات ایزوله سازی بیمارستانی و اقدامات حفاظتی عمدتاً در کاهش پیک کوچک عفونت و به تعویق انداختن شیوع COVID-19 در مراحل اولیه (منحنی به سمت چپ) منعکس شد. با این حال، بین منحنی نهایی و منحنی واقعی برای ووهان مقداری انحراف وجود داشت که عمدتاً به دلایل زیر است:
  • تفاوت مشخصی بین روند انتشار رایگان COVID-19 برآورد شده توسط داده های اولیه سایر کشورها و روند در خود شهر ووهان وجود دارد.
  • برخی از خطاها در تشخیص پرونده و ثبت داده ها در شهر ووهان به دلیل حجم زیادی از اطلاعات ناشناخته در مورد ویروس جدید در مراحل اولیه وجود داشت.
  • هنوز تفاوت آشکاری بین توزیع جمعیت و وضعیت واقعی وجود داشت، مانند عدم فعالیت جمعیت در اطراف دریاچه‌ها، مزارع و زمین‌های بایر.

4. بحث

در مواجهه با تهدید جدی فزاینده COVID-19، همه کشورها نیاز فوری به استفاده از مدل سازی رایانه ای برای تعیین بهترین استراتژی برای کاهش تأثیر COVID-19 دارند. نوع مداخلات، شدت و دامنه اجرای آنها و زمان مداخله در کشورهای مختلف به دلیل تفاوت در عوامل محیطی جغرافیایی مانند وضعیت توسعه بیماری همه گیر، توزیع ساختمان های شهری، سبک زندگی مردم و توسعه اقتصادی متفاوت است. . در عین حال، این موارد کلیدی برای اثربخشی اقدامات پیشگیری و کنترل COVID-19 هستند. هدف ما ارائه مدلی است که بتواند اطلاعات مکانی و زمانی را برای شبیه‌سازی بیشتر اثربخشی پیشگیری از بیماری همه‌گیر و کنترل مداخلات غیردارویی تحت تأثیر عوامل پیچیده‌تر طبیعی و اجتماعی و همچنین یافتن اطلاعات بهتر در مورد الگوی انتشار فضایی و زمانی COVID-19. در همین حال، اهمیت عملی پارامترهای مدل را می توان به جای ماندن در اهمیت ریاضیات به فضای جغرافیایی ترسیم کرد، که می تواند اطلاعات آموزنده مستقیم تری را برای اجرای سیاست های اختراع خاص ارائه دهد.
این مطالعه دارای چندین محدودیت است. با توجه به اینکه داده‌های موجود مربوط به موارد اپیدمی کامل نبود، هنوز ابهامات زیادی در تحقیق در مورد مکانیسم انتقال دینامیک COVID-19 وجود دارد، مانند نرخ گسترش بدون علامت و عفونت‌پذیری دوره کمون. اگرچه پارامترهای مدل در تحقیقات مجلات معروف بین المللی مورد اشاره قرار گرفته است [ 1 , 16 , 55]، تعداد زیادی از پارامترهای ناشناخته هنوز به طور اجتناب ناپذیری در مدل پویا COVID-19 گنجانده شده است. شایان ذکر است که تمرکز ما بر پیش‌بینی وضعیت همه‌گیری نبود. در عوض، منحنی مدل پویایی COVID-19 عمدتاً برای ارزیابی و کمی کردن تغییرات قبل و بعد از اجرای یک مداخله استفاده شد. علاوه بر این، به دلیل کمبود داده در مورد ویژگی‌های مکانی-زمانی مانند داده‌های ردیابی بیماران، داده‌های فعالیت ساکنان، داده‌های سفر مسافران اتوبوس و مترو، و داده‌های مکان تلفن همراه، ما رابطه بین سلول‌های شبکه و مربوطه را برقرار نکردیم. ویژگی های جغرافیایی با این حال، معمولاً به‌دست آوردن این داده‌ها در شرایط اضطراری ایمنی بهداشت عمومی، که معمولاً پوشش ناقص یا از دست رفته را نشان می‌دهد، دشوار است.
در این مطالعه، مدل انتقال COVID-19 یک مدل تعمیم یافته از دیدگاه کلان بود. شایان ذکر است که ما به جای شبیه سازی برای مکان ریزدانه بیماران، به اهمیت هدایت واقعی مدل پیشگیری و کنترل تحت یک شبکه گسسته توجه بیشتری کردیم. نتیجه گیری مدل پیشگیری و کنترل بر اساس مدل انتشار تعمیم یافته از اهمیت مثبت برخوردار است. به عنوان مثال، در ژانویه 2021، شیوع COVID-19 در شانگهای و شیجیاژوانگ، چین رخ داد [ 57 ، 58]. شیجیاژوانگ این شناسایی را برای همه ساکنان انجام داد، در حالی که شانگهای تنها حدود 10000 نفر را شناسایی کرد که با یکدیگر تماس نزدیک داشتند. نویسندگان بر این باور بودند که دلیل اصلی این امر این است که بیماران در شیجیاژوانگ در مناطق روستایی بودند، بنابراین داده های ردیابی دقیق را نمی توان به دست آورد. با این حال، شانگهای یک شهر توسعه یافته است، بنابراین به دست آوردن اطلاعات برای کسانی که در تماس نزدیک با بیماران بودند آسان تر بود. این دو روش در واقع معمولاً برای جستجوی بیماران بالقوه استفاده می شوند – یعنی یک مدل ساده مبتنی بر تعمیم. تفاوت این است که Shijiazhuang یک بافر بر اساس امتیاز است، در حالی که شانگهای مبتنی بر ردیابی دقیق بیمار است. در عین حال، از آنجایی که مدل‌های انتشار مانند انتشار ترجیحی یا از نوع فرارفت عمدتاً از داده‌های فعالیت خاص برای شبیه‌سازی انتشار زندگی افراد استفاده می‌کنند. نتایج مدل پخش دانه ریز متمرکزتر از مدل تعمیم یافته در همان درجه آلوده است. بنابراین، مدل پیشگیری و کنترل مبتنی بر شبکه گسسته می‌تواند نتایج بهتری را تحت تکامل انتشار ریزدانه به دست آورد. هر چه مناطق آلوده متمرکزتر باشند، مناطق غیر آلوده با اقدامات قرنطینه و ایزوله بیمارستانی بیشتر محافظت می شوند. در همین حال، نویسندگان نشان دادند که حتی اگر بتوان اطلاعات دقیق اپیدمی را به دست آورد، این اطلاعات فقط شامل محلی است که بیماران علائم را نشان می‌دهند اما مکان آلوده هنوز مشخص نیست. به عبارت دیگر، مدل‌های کنونی شیوع COVID-19 مشکل تأیید علمی دارند. مدل پیشگیری و کنترل مبتنی بر شبکه گسسته می‌تواند نتایج بهتری را تحت تکامل انتشار ریزدانه به دست آورد. هر چه مناطق آلوده متمرکزتر باشند، مناطق غیر آلوده با اقدامات قرنطینه و ایزوله بیمارستانی بیشتر محافظت می شوند. در همین حال، نویسندگان نشان دادند که حتی اگر بتوان اطلاعات دقیق اپیدمی را به دست آورد، این اطلاعات فقط شامل محلی است که بیماران علائم را نشان می‌دهند اما مکان آلوده هنوز مشخص نیست. به عبارت دیگر، مدل‌های کنونی شیوع COVID-19 مشکل تأیید علمی دارند. مدل پیشگیری و کنترل مبتنی بر شبکه گسسته می‌تواند نتایج بهتری را تحت تکامل انتشار ریزدانه به دست آورد. هر چه مناطق آلوده متمرکزتر باشند، مناطق غیر آلوده با اقدامات قرنطینه و ایزوله بیمارستانی بیشتر محافظت می شوند. در همین حال، نویسندگان نشان دادند که حتی اگر بتوان اطلاعات دقیق اپیدمی را به دست آورد، این اطلاعات فقط شامل محلی است که بیماران علائم را نشان می‌دهند اما مکان آلوده هنوز مشخص نیست. به عبارت دیگر، مدل‌های کنونی شیوع COVID-19 مشکل تأیید علمی دارند. نویسندگان نشان دادند که حتی اگر بتوان اطلاعات دقیق اپیدمی را به دست آورد، این اطلاعات فقط شامل مکانی است که بیماران علائم را نشان می‌دهند اما مکان آلوده هنوز مشخص نیست. به عبارت دیگر، مدل‌های کنونی شیوع COVID-19 مشکل تأیید علمی دارند. نویسندگان نشان دادند که حتی اگر بتوان اطلاعات دقیق اپیدمی را به دست آورد، این اطلاعات فقط شامل مکانی است که بیماران علائم را نشان می‌دهند اما مکان آلوده هنوز مشخص نیست. به عبارت دیگر، مدل‌های کنونی شیوع COVID-19 مشکل تأیید علمی دارند.
این مطالعه به طور مقدماتی و عینی قانون انتقال مکانی و زمانی و روند توسعه COVID-19 را تحت مداخلات مختلف از منظر جغرافیا توصیف کرد. رابطه بین پارامترهای مدل و اهمیت جغرافیایی واقعی را ایجاد کرد. هدف ما اهمیت مثبت مدل پیشگیری و کنترل تحت شبکه گسسته به واقعیت است. در کار آینده، ما امیدواریم که مشکل تأیید علمی یک مدل مداخله را از طریق داده‌های چند منبعی، مانند داده‌های اخبار شبکه، پایگاه‌های داده رویدادهای جهانی، و داده‌های سنجش از دور حل کنیم. مدل انتقال فضایی-زمانی COVID-19 ما را می‌توان با داده‌های چندمنبعی‌تر، توصیف تجمع و تعامل جمعیت، برای هدایت بیشتر مسیر انتشار و تخصیص انسان‌های آلوده، بهبود بخشید. این می تواند اعتبار مدل را بهبود بخشد. این مدل همچنین راه ممکنی برای تجزیه و تحلیل مشکلات تخصیص منابع پزشکی، انتخاب مکان فضایی و طرح پذیرش بیماران آلوده ارائه می‌کند. در نهایت، نقشه‌برداری بین داده‌های اجتماعی-اقتصادی و حوزه‌های شبکه می‌تواند برای تعیین کمیت هزینه برای اقتصاد و منابع تحت مداخلات مختلف ایجاد شود، و راهنمایی بهتری برای تصمیم‌گیری علمی و اجرای دقیق برای پیشگیری و کنترل فراهم می‌کند. به طور خلاصه، اینها تمرکز و مشکل تحقیقات بعدی ما خواهد بود. نقشه برداری بین داده های اجتماعی-اقتصادی و حوزه های شبکه می تواند برای تعیین کمیت هزینه های اقتصاد و منابع تحت مداخلات مختلف ایجاد شود و راهنمایی بهتری برای تصمیم گیری علمی و اجرای دقیق برای پیشگیری و کنترل ارائه دهد. به طور خلاصه، اینها تمرکز و مشکل تحقیقات بعدی ما خواهد بود. نقشه برداری بین داده های اجتماعی-اقتصادی و حوزه های شبکه می تواند برای تعیین کمیت هزینه های اقتصاد و منابع تحت مداخلات مختلف ایجاد شود و راهنمایی بهتری برای تصمیم گیری علمی و اجرای دقیق برای پیشگیری و کنترل ارائه دهد. به طور خلاصه، اینها تمرکز و مشکل تحقیقات بعدی ما خواهد بود.

5. نتیجه گیری ها

به طور خلاصه، این مطالعه یک مدل گسترش پویایی COVID-19 را با جغرافیا از دیدگاهی جدید ترکیب کرد تا تأثیر مداخلات را به صورت کمی تحلیل کند. این مدل می‌تواند اطلاعات مستقیم و مؤثرتری را برای تدوین سیاست‌های پیشگیری و کنترل ارائه دهد که از اهمیت عملی مهمی برخوردار است. از یک شبکه گسسته برای تقسیم مناطق جغرافیایی استفاده شد و مدل گسترش فضایی و زمانی COVID-19 بر اساس ویژگی‌های فعالیت‌های روزانه ساکنان طراحی شد. در همین حال، خط دانه بندی و واقعی مجازی مرز شبکه گسسته برای توصیف شدت اقدامات قرنطینه فیزیکی اجرا شده و اتصال فضاهای مجاور به طور جداگانه معرفی شد. اقدامات انزوای بیمارستان و حفاظت از خود در مدل ادغام شدند، و پارامترها بر اساس همبستگی های فضایی به مناطق شبکه مربوطه نگاشت شدند. در نهایت، مدل پویایی COVID-19 برای تجزیه و تحلیل کمی تعداد انسان‌های آلوده تحت مداخلات مختلف استفاده شد. از طریق شبیه سازی آزمایش ها، نتیجه گیری به شرح زیر است:
  • اقدامات قرنطینه ای برای پیشگیری و کنترل، به ویژه در مورد بیماری های عفونی با میزان عفونی بالا، مؤثرترین اقدامات بود. نشان داده شد که آن‌ها می‌توانند تعداد انسان‌های آلوده را به شدت کاهش دهند، ورود حداکثر تعداد انسان‌های آلوده را پیش ببرند و طول مدت شیوع COVID-19 را کوتاه کنند. با این حال، اقدامات قرنطینه ای تنها در صورت شدت اجرای کافی مؤثر است و تأثیر اقدامات قرنطینه با تأخیر زمان مداخله کاهش می یابد. علاوه بر این، اقدامات قرنطینه سخت ممکن است در مراحل اولیه شیوع نادیده گرفته شود، زیرا شیوع بیماری همه گیر در این دوره خفیف است.
  • اقدامات ایزوله سازی بیمارستان عمدتاً در مراحل اولیه شیوع COVID-19 نقش داشت. افزایش تخت‌های پزشکی به طور مؤثری تعداد انسان‌های آلوده را کاهش داد، اما تأثیر کمی بر زمان رسیدن حداکثر تعداد انسان‌های آلوده و طول مدت شیوع COVID-19 داشت. علاوه بر این، استفاده از زمان مداخله زودتر می‌تواند ورود حداکثر تعداد انسان‌های آلوده را به تأخیر بیندازد، اما وقتی تخت‌های پزشکی به ظرفیت خود رسیدند، با مقیاسی مشابه وضعیت عفونی اولیه، شیوع دوباره رخ می‌دهد.
  • اقدامات حفاظت از خود توانست تعداد انسان های آلوده را کاهش دهد و تا حد زیادی رسیدن اوج تعداد انسان های آلوده را به تأخیر بیندازد و دولت زمان بیشتری را برای آماده سازی فراهم کند. با این حال، اقدامات محافظت از خود تقریباً تحت اقدامات قرنطینه سخت‌گیرانه‌تر تأثیری نداشت. بنابراین، منابع پزشکی باید در بیمارستان ها و سایر مکان های مورد نیاز در شرایط سخت قرنطینه متمرکز شود.
  • این مطالعه به طور کمی و کیفی تأثیر اقدامات قرنطینه، محافظت از خود و ایزوله سازی بیمارستان را برای کاهش سرعت گسترش COVID-19 تجزیه و تحلیل کرد که علمی و معقول بود. در همین حال، نتیجه دارای قابلیت تفسیر بالایی برای اهمیت عملی مداخله است و پارامترهای مدل می‌توانند مدل را به منطقه جغرافیایی واقعی ترسیم کنند، که برای فرمول‌بندی علمی تصمیم‌های پیشگیری و کنترل اپیدمی خاص مفید است.

مشارکت های نویسنده

مفهوم سازی، ون کائو و هاوران دای. روش، ون کائو و هاوران دای. نرم افزار Haoran Dai; اعتبارسنجی، جینگ ون ژو، یوژن تیان و فیلین پنگ. تحلیل رسمی، هائوران دای; تحقیق، هائوران دای; منابع، هائوران دای; گزینش داده ها، جینگ ون ژو و هاوران دای. نوشتن – آماده سازی پیش نویس اصلی، ون کائو و هاوران دای. نوشتن – بررسی و ویرایش، ون کائو، جینگ ون ژو و هاوران دای. تجسم، هائوران دای; کسب بودجه، ون کائو. همه نویسندگان نسخه منتشر شده نسخه خطی را خوانده و با آن موافقت کرده اند.

منابع مالی

این تحقیق توسط برنامه ملی تحقیقات و توسعه کلید ملی چین با شماره کمک مالی 2018YFB0505304 و بنیاد ملی علوم طبیعی چین به شماره کمک مالی 41671409 تامین شده است.

بیانیه هیئت بررسی نهادی

قابل اجرا نیست.

بیانیه رضایت آگاهانه

قابل اجرا نیست.

بیانیه در دسترس بودن داده ها

داده ها از طریق دونگ و همکاران در دسترس است. 2020، GADM ( https://gadm.org/download_country_v3.html ؛ 20 ژوئن 2020) و هاوران دای. (2021). منابع پزشکی، بیمارستان های تعیین شده، داده های همه گیر و جمعیت استان هوبی. https://zenodo.org/record/4444311#.YOrCLmgzZPY ; 16 ژوئن 2020).

تضاد علاقه

نویسندگان هیچ تضاد منافع را اعلام نمی کنند.

منابع

  1. چن، ن. ژو، ام. دونگ، ایکس. کو، ج. گونگ، FY؛ هان، ی. کیو، ی. وانگ، جی ال. لیو، ی. وی، ی. و همکاران مشخصات اپیدمیولوژیک و بالینی 99 مورد پنومونی کروناویروس جدید 2019 در ووهان، چین: یک مطالعه توصیفی. Lancet 2020 ، 395 ، 507-513. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. لی، کیو. Guan، XH; وانگ، XY; وو، پی. وانگ، XY; ژو، ال. تانگ، YQ; رن، آر کیو؛ Leung، KSM پویایی انتشار اولیه در ووهان، چین، پنومونی جدید آلوده به ویروس کرونا. Natl. انگلیسی جی. مد. 2020 ، 382 ، 1199-1207. [ Google Scholar ] [ CrossRef ]
  3. تیان، هی. لیو، YH; Li، YD; وو، CH; چن، بی. کریمر، MUG; لی، BY; کای، جی. یانگ، QQ; Cui, YJ تحقیقی درباره اقدامات کنترل گسترش در طی 50 روز اول اپیدمی COVID-19 در چین. Science 2020 ، 6491 ، 638-642. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  4. چان، جی. یوان، اس اف. کوک، ک. به، KKW؛ چو، اچ. یانگ، جی. زینگ، FF; لیو، جی ال. Yip، CCY؛ Poon، RWS یک خوشه خانوادگی از ذات الریه مرتبط با ویروس کرونای جدید 2019 که نشان دهنده گسترش فرد به فرد است: مطالعه یک خوشه خانوادگی. Lancet 2020 ، 395 ، 514-523. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  5. Currie، CSM؛ فاولر، جی دبلیو. کوتیادیس، ک. راهبان، تی. اونگو، BS; رابرستون، دی. تاکو، AA چگونه مدل‌سازی شبیه‌سازی می‌تواند به کاهش تأثیر COVID-19 کمک کند. جی. سیمول. 2020 ، 2 ، 83-97. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. وو، جی تی. لئونگ، ک. Leung، GM Nowcasting و پیش‌بینی گسترش بالقوه داخلی و بین‌المللی شیوع 2019-nCoV منشأ آن در ووهان، چین: یک مطالعه مدل‌سازی. Lancet 2020 ، 10225 ، 689-697. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. وانگ، HW; وانگ، ZZ; دونگ، YQ; چانگ، آر جی. خو، سی. یو، XY; ژانگ، اس ایکس؛ ثاملاگ، ال. شانگ، ام ال. وانگ، ی. برآورد فاز تعدیل‌شده از تعداد موارد بیماری‌های کروناویروس ۲۰۱۹ در ووهان، چین. Cell Discov. 2020 ، 6 ، 10. [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
  8. ژائو، اس. Lin، QY; ران، جی جی. موسی، اس.اس. یانگ، GP; وانگ، WM; لو، YJ; گائو، DZ; یانگ، ال. او، DH برآورد اولیه تعداد بازتولید اولیه کروناویروس جدید (2019-nCoV) در چین، از سال 2019 تا 2020: تجزیه و تحلیل مبتنی بر داده در مرحله اولیه شیوع. بین المللی ج. عفونی کردن. دیس 2020 ، 92 ، 214-217. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  9. ژو، تی. لیو، کیو. یانگ، ز. لیائو، جی. یانگ، KX; بای، دبلیو. لو، ایکس. ژانگ، دبلیو. پیش‌بینی اولیه شماره تولید مثل اولیه ویروس کرونای جدید ووهان 2019-nCoV. جی اوید. مبتنی بر Med. 2020 ، 13 ، 3-7. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  10. بخوانید، JM; بریجن، JRE؛ کامینگز، DAT; هو، ا. Jewell, CP Novel coronavirus 2019-nCoV: برآورد اولیه پارامترهای اپیدمیولوژیک و برآورد اندازه اپیدمی. فیل. ترانس. R. Soc. B 2020 , 376 , 20200265. [ Google Scholar ] [ CrossRef ]
  11. جامپن، دبلیو. ویواتاناپاتافی، بی. وو، YH; تانگ، IM یک مدل SEIQR برای آنفولانزای همه‌گیر و شناسایی پارامتر آن. بین المللی J. Pure Appl. ریاضی. 2020 ، 52 ، 247-265. در دسترس آنلاین: https://ijpam.eu/contents/2009-52-2/8/index.html (در 10 ژانویه 2020 قابل دسترسی است).
  12. مایر، BF; Brockmann, D. مهار مؤثر رشد غیر نمایی در موارد تأیید شده شیوع اخیر COVID-19 در سرزمین اصلی چین را توضیح می دهد. Science 2020 ، 368 ، 742-746. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. کروکیداکیس، N. COVID-19 در حال گسترش در ریودوژانیرو، برزیل: آیا سیاست های انزوای اجتماعی واقعاً کار می کند؟ Chaos Solitons Fractals 2020 , 136 , 109930. [ Google Scholar ] [ CrossRef ]
  14. ویگوری، آ. لورنزو، جی. آئوریکیو، اف. بارولی، دی. هیوز، تی جی آر؛ پاتون، ا. رئالی، ع. Yankeelov، TE; ونزیانی، الف. شبیه‌سازی گسترش COVID-19 از طریق یک مدل مستعد-در معرض-عفونت-دریافت-مرگان (SEIRD) با حل‌وفصل فضایی با انتشار ناهمگن. Appl. ریاضی. Lett. 2020 , 111 , 106617. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  15. کوک، KL; Driessche، تجزیه و تحلیل PVD یک مدل اپیدمی SEIRS با دو تاخیر. جی. ریاضی. Biol. 1996 ، 35 ، 240-260. [ Google Scholar ] [ CrossRef ]
  16. Okuonghae، D.; Omame، A. تجزیه و تحلیل یک مدل ریاضی پویایی جمعیت COVID-19 در لاگوس، نیجریه. Chaos Solitons Fractals 2020 , 139 , 110032. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  17. دیویس، NG; کلپاک، پی. لیو، ی. پرم، ک. جیت، م. Ego, RM اثرات وابسته به سن در گسترش و کنترل اپیدمی های COVID-19. نات. پزشکی 2020 ، 26 ، 1205-1211. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  18. دیویس، NG; کوچارسکی، ای جی. Ego, RM; گیما، ا. ادموندز، WJ اثرات مداخلات غیردارویی بر موارد COVID-19، مرگ‌ومیرها و تقاضا برای خدمات بیمارستانی در بریتانیا: یک مطالعه مدل‌سازی. Lancet 2020 ، 7 ، e375–e385. [ Google Scholar ] [ CrossRef ]
  19. کاسا، اس ام; Njagarah, JBH; Terefe، YA تجزیه و تحلیل استراتژی های کاهش برای COVID-19: از دیدگاه مدل سازی ریاضی. Chaos Solitons Fractals 2020 , 138 , 109968. [ Google Scholar ] [ CrossRef ]
  20. استادنیتسکی، وی. باکس، CE; باکس، ا. Anfinrud, P. طول عمر قطرات گفتار کوچک و اهمیت بالقوه آنها در گسترش SARS-CoV-2. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 11875–11877. [ Google Scholar ] [ CrossRef ]
  21. ریبیرو، MHDM؛ سیلوا، RGD؛ ماریان، وی سی; کوئلیو، LDS موارد تایید شده تجمعی کووید-19 را پیش بینی کوتاه مدت: چشم انداز برزیل. Chaos Solitons Fractals 2020 , 135 , 109853. [ Google Scholar ] [ CrossRef ]
  22. چاکرابورتی، تی. Ghosh, I. پیش‌بینی‌های بی‌درنگ و ارزیابی خطر موارد جدید کروناویروس (COVID-19): تجزیه و تحلیل مبتنی بر داده‌ها. Chaos Solitons Fractals 2020 ، 135 ، 109850. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  23. لی، اس جی; آهنگ، ک. یانگ، BR; گائو، YC؛ گائو، XF ارزیابی اولیه شیوع COVID-19 با استفاده از مدل 3 مرحله‌ای e-ISHR. J. شانگهای Jiaotong Univ. علمی 2020 ، 25 ، 157-164. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. ژانگ، LY; لی، دی سی; تجزیه و تحلیل Ren, JL COVID-19 توسط سیستم دینامیک چند مرحله ای گسسته با تاخیر زمانی. Geomat. Inf. علمی دانشگاه ووهان 2020 ، 45 ، 658-666. [ Google Scholar ] [ CrossRef ]
  25. لیمپروپولوس، در #خانه بمانیم تا کووید-19 را مهار کنیم: مدل‌سازی اپیدمی عصبی-SIR-نورودینامیک الگوهای عفونت در شبکه‌های اجتماعی. سیستم خبره Appl. 2021 ، 165 ، 113970. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  26. بوشنیتا، ا. Jebrane, A. یک مدل ترکیبی چند مقیاسی از پویایی گسترش COVID-19 برای ارزیابی پتانسیل مداخلات غیردارویی. Chaos Solitons Fractals 2020 , 138 , 109941. [ Google Scholar ] [ CrossRef ]
  27. Lin، QY; ژائو، اس. گائو، DZ; لو، YJ; یانگ، اس. موسی، س. وانگ، MH; Cai، YL; وانگ، WM; یانگ، ال. یک مدل مفهومی برای شیوع بیماری کروناویروس 2019 (COVID-19) در ووهان، چین با واکنش فردی و اقدام دولتی. بین المللی ج. عفونی کردن. دیس 2020 ، 93 ، 211-216. [ Google Scholar ] [ CrossRef ]
  28. نیش، YQ; Nie, YT; پنی، ام. پویایی گسترش شیوع کووید-19 و اثربخشی مداخلات دولت: تجزیه و تحلیل مبتنی بر داده. جی. مد. ویرول. 2020 ، 92 ، 645-659. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  29. تانگ، بی. وانگ، ایکس. لی، کیو. Bragazzi، NL; تانگ، سی. Xiao، YN; Wu, JH برآورد خطر گسترش 2019-nCoV و تأثیر آن برای مداخلات بهداشت عمومی. جی. کلین. پزشکی 2020 ، 9 ، 462. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  30. چو، DK; دودا، س. سولو، ک. یعقوب، س. Schunemann, H. فاصله‌گذاری فیزیکی، ماسک‌های صورت و محافظت از چشم برای جلوگیری از انتشار فرد به فرد SARS-CoV-2 و COVID-19: یک بررسی سیستماتیک و متاآنالیز. Lancet 2020 ، 72 ، 1500. [ Google Scholar ] [ CrossRef ]
  31. Ma، ZH; وانگ، اس اف. Li، XH یک مدل عفونی تعمیم یافته ناشی از فاصله تماس (CTD). مقعدی غیر خطی اپلیکیشن دنیای واقعی 2020 ، 54 ، 103113. [ Google Scholar ] [ CrossRef ]
  32. گوستیک، ک. گومز، ACR؛ مومه، RO; کوچارسکی، ای جی. Lloyd-Smith، JO اثربخشی غربالگری علائم و خطر را برای جلوگیری از گسترش COVID-19 تخمین زد. eLife 2020 , 9 , e55570. [ Google Scholar ] [ CrossRef ]
  33. ولز CRSah، P.; مقدس، SM; پاندی، ا. شوکت، ع. وانگ، YN; وانگ، ز. Meyers، LA; سینگر، BH; گالوانی، AP تأثیر سفرهای بین‌المللی و اقدامات کنترل مرزی بر گسترش جهانی شیوع کروناویروس جدید 2019. Proc. Natl. آکادمی علمی ایالات متحده آمریکا 2020 ، 117 ، 7504–7509. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  34. Hellewell، JH; ابوت، اس. گیما، ا. Bosse، NI; جارویس، CI; راسل، تی. موندی، جی دی. کوچارسکی، ای جی. Edmunds, WJ امکان سنجی کنترل شیوع COVID-19 با جداسازی موارد و مخاطبین. گلوب. Health 2020 , 4 , e488–e496. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  35. وولفل، آر. کورمن، VM; گوگموس، دبلیو. سیل مایر، م. زنگه، س. مولر، MA; نیمایر، دی.ان. جونز، تی سی؛ ولمار، پی. Hoelscher, M. ارزیابی ویروسی بیماران بستری در بیمارستان با COVID-2019. Nature 2020 ، 281 ، 465-469. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. رزا، جی ال. بونادونا، ال. لوکا، ال. کنمو، اس. Suffredini، E. Coronavirus در محیط‌های آبی: روش‌های وقوع، ماندگاری و غلظت – بررسی محدوده. Water Res. 2020 , 179 , 115899. [ Google Scholar ] [ CrossRef ]
  37. Leclerc، QJ; فولر، NM; نایت، LE; نایت، جنرال موتورز چه تنظیماتی به خوشه انتشار SARS-CoV-2 مرتبط شده است؟ [نسخه 1; بررسی همتایان: 1 با رزرو تایید شد]. Wellcome Open Res. 2020 ، 5 ، 83. [ Google Scholar ] [ CrossRef ]
  38. لو، جی. Gu, JN; Xu، CH; سو، WZ; لای، ZS; ژو، دی کیو. یو، سی. خو، بی. یانگ، ZC شیوع COVID-19 مرتبط با تهویه مطبوع در رستوران، گوانگژو، چین، 2020. ظهور. آلوده کردن دیس 2020 ، 26 ، 1628-1631. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  39. موراوسکا، ال. کائو، جی جی انتشار SARS-CoV-2 هوایی: جهان باید با واقعیت روبرو شود. محیط زیست بین المللی 2020 ، 139 ، 105730. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  40. دهنینگ، جی. زایرنبرگ، جی. اسپیتزنر، FP; ویبرال، م. نتو، جی پی؛ ویلچک، ام. Priesemann, W. استنباط نقطه تغییر در گسترش COVID-19 اثربخشی مداخلات را نشان می دهد. Science 2020 , 6500 , eabb9789. [ Google Scholar ] [ CrossRef ]
  41. پنجشنبه، TPB; Ngoc، PNH؛ های، NM; Tuan، LA اثر اقدامات فاصله گذاری اجتماعی بر گسترش COVID-19 در 10 کشور بسیار آلوده. علمی جمع. محیط زیست 2020 , 742 , 140430. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  42. بارمپاریس، جی دی; Tsironis، GP برآورد افق عفونت COVID-19 در هشت شهرستان با رویکرد داده محور. Chaos Solitons Fractals 2020 , 135 , 109842. [ Google Scholar ] [ CrossRef ]
  43. Han، WG داده محور و مدل محور داده های مکانی-زمانی مینگ مطالعه موردی در داده های جریان ترافیک و داده های همه گیر. چانه. آکادمی علمی 2006 . در دسترس آنلاین: https://ir.igsnrr.ac.cn/handle/311030/106 (در 12 ژانویه 2020 قابل دسترسی است).
  44. فرانک-پاردو، آی. ناپلتانو، بی.ام. روزت ورجز، اف. Billa, L. تجزیه و تحلیل فضایی و GIS در مطالعه COVID-19. بازنگری. علمی جمع. محیط زیست 2020 , 739 , 140033. [ Google Scholar ] [ CrossRef ]
  45. فنگ، MX؛ نیش، ZX; لو، XB؛ Xie، ZF; Xiong، SW; ژنگ، م. رویکرد تخمین اپیدمی مبتنی بر منطقه تحلیل ترافیک Huang، SQ بر اساس داده‌های تلفن همراه: نمونه‌ای از ووهان. Geomat. Inf. علمی دانشگاه ووهان 2020 ، 45 ، 651-657، 681. [ Google Scholar ] [ CrossRef ]
  46. Sugg، MM; اسپولدینگ، RJ; لین، اس جی. رانکل، جی دی. هاردن، اس آر. هگه، آ. Lyer, LS Mapping در سطح جامعه عوامل تعیین کننده شیوع COVID-19 در خانه های سالمندان: یک رویکرد چند مقیاسی. علمی جمع. محیط زیست 2020 , 752 , 141946. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  47. رن، هی. ژائو، ال. ژانگ، ا. آهنگ، LY; لیائو، YL; لو، WL; Cui, C. پیش‌بینی اولیه مناطق خطر بالقوه COVID-19 در کلان شهرهای چین. علمی جمع. محیط زیست 2020 , 729 , 138995. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  48. نیش، ZX تفکر و چالش‌های مشاهده پویایی کلاغ از دیدگاه سلامت عمومی و امنیت عمومی. Geomat. Inf. علمی دانشگاه ووهان 2020 ، 45 ، 1847-1856. [ Google Scholar ] [ CrossRef ]
  49. Zwęgliński، T. رادکوفسکی، R. واحدهای آتش نشانی و نجات در طول اپیدمی COVID-19. عملکرد و وظایف عملیاتی در ماه های اول فعالیت SARS-CoV-2. زسز ناوک. SGSP 2020 ، 76 ، 93-114. [ Google Scholar ] [ CrossRef ]
  50. Cao، ZD مدل‌سازی ریاضی و تحلیل فضایی داده‌های مکانی-زمانی-مطالعه موردی بر اساس اپیدمی SARS در گوانگژو. چانه. آکادمی علمی 2008 . در دسترس آنلاین: https://ir.igsnrr.ac.cn/handle/311030/1774 (در 12 ژانویه 2020 قابل دسترسی است).
  51. دونگ، ای. دو، اچ. گاردنر، ال. داشبورد تعاملی مبتنی بر وب برای ردیابی کووید-19 در زمان واقعی. عفونت لانست دیس 2020 ، 20 ، 422-534. [ Google Scholar ] [ CrossRef ]
  52. کوی، اچ جی; Hu, T. رگرسیون غیرخطی در پیش‌بینی COVID-19 (به زبان چینی). علمی گناه ریاضی. 2020 ، 50 ، 1-12. در دسترس آنلاین: https://engine.scichina.com/doi/10.1360/SSM-2020-0055 (در 12 ژانویه 2020 قابل دسترسی است).
  53. Xia، JZ; ژو، ی. لی، ز. لی، اف. یو، ی. چنگ، تی. ارزیابی خطر کووید-19 لی، QQ که توسط داده‌های بزرگ فضایی و زمانی شهری هدایت می‌شود: مطالعه موردی منطقه خلیج بزرگ گوانگدونگ-هنگ کنگ-ماکائو. Acta Geod. Et Cartogr. گناه 2020 ، 49 ، 671-680. در دسترس آنلاین: https://xb.sinomaps.com/CN/10.11947/j.AGCS.2020.20200080 (در 12 ژانویه 2020 قابل دسترسی است).
  54. کوچمز، اس. فریزر، سی. وان، MD; دانلی، کالیفرنیا؛ رایلی، اس. رامبو، ا. انوف، وی. Werf، SVD; فرگوسن، NM کروناویروس سندرم تنفسی خاورمیانه: کمی سازی میزان اپیدمی، سوگیری های نظارتی و قابلیت انتقال. عفونت لانست دیس 2020 ، 1 ، 50–56. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. آلبرتی، تی. فاراندا، دی. درباره عدم قطعیت پیش‌بینی‌های بلادرنگ رشد همه‌گیری: مطالعه موردی COVID-19 برای چین و ایتالیا. اشتراک. علمی غیر خطی عدد. شبیه سازی 2020 , 90 , 105372. [ Google Scholar ] [ CrossRef ] [ PubMed ]
  56. گوا، ال. یانگ، WQ; بی، تحقیق YF در مقیاس زندگی روزمره بر اساس ویژگی های سفر ساکنان. آکادمی چین جی. الکترون. انتشار خانه 2016 ، 1004–1015. در دسترس آنلاین: https://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CPFD&filename=CSJT201604001098 (در 12 ژانویه 2020 قابل دسترسی است).
  57. وانگ، سی. Zhu، RX; Wu, YT Shanghai 168 Hours: چگونه اپیدمی را در یک سوپر شهر در عرض یک هفته کنترل کنیم [EB/OL]. 2021. موجود به صورت آنلاین: https://xw.qq.com/cmsid/20210202A019Z7/20210202A019Z700?ADTAG=hwb&pgv_ref=hwb&appid=hwbrowser&ctype=news (در 11 ژوئیه دسترسی پیدا کرد).
  58. وی، زی. بیش از 20000 نفر در شیجیاژوانگ فوراً منتقل شده اند! این همه گیری آنقدرها هم که فکر می کنید ساده نیست [EB/OL]. 2021. در دسترس آنلاین: https://new.qq.com/omn/20210113/20210113A02KCY00.html (در 11 ژوئیه 2021 قابل دسترسی است).
Ijgi 10 00480 g001 550
شکل 1. نمودار پر کردن شبکه واحدهای پیشگیری و کنترل سنتی.
Ijgi 10 00480 g002 550
شکل 2. نمودار شماتیک مدل اقدامات قرنطینه بر اساس یک شبکه گسسته.
Ijgi 10 00480 g003 550
شکل 3. مدل گسترش فضایی و زمانی برای بیماری های عفونی بر اساس یک شبکه گسسته.
Ijgi 10 00480 g004 550
شکل 4. نمودار شماتیک اقدامات ایزوله سازی بیمارستان ( A ) و اقدامات حفاظتی از خود ( B ).
Ijgi 10 00480 g005 550
شکل 5. تعداد موارد جدید گزارش شده در روز بدون هیچ مداخله ای. اینها باید به صورت زیر فهرست شوند: ( الف ) داده های اولیه بریتانیا برای شبیه سازی انتشار رایگان COVID-19. ( ب ) داده های اولیه ایالات متحده برای شبیه سازی انتشار رایگان COVID-19؛ ( ج ) داده‌های اولیه اسپانیایی برای شبیه‌سازی انتشار رایگان COVID-19؛ ( د) داده های اولیه آلمان برای شبیه سازی انتشار رایگان COVID-19. بخش نمودار کوچک: هیستوگرام قرمز تعداد موارد اولیه جدید روزانه در هر کشور را نشان می دهد و منحنی تعداد موارد جدید روزانه بدون هیچ مداخله ای است. بخش نمودار بزرگ: منحنی خط جامد رنگی متفاوت تعداد موارد جدید روزانه در ووهان را بدون هیچ مداخله ای تحت پارامترهای مختلف نشان می دهد. منحنی خط نقطه قرمز تعداد واقعی موارد گزارش شده جدید در ووهان را پس از کالیبراسیون نشان می دهد و منحنی خط نقطه بنفش نشان دهنده تعداد واقعی موارد گزارش شده جدید در ووهان است. در اینجا، زمان شروع مختصات X در ووهان 28 دسامبر 2019 است [ 9 ].
Ijgi 10 00480 g006a 550 Ijgi 10 00480 g006b 550
شکل 6. منحنی تغییر موارد گزارش شده جدید در روز در ووهان تحت اقدامات قرنطینه مختلف. (گروه ( A ) تغییر منحنی آلوده را در اندازه‌های شبکه مختلف نشان داد؛ گروه ( B ) تغییر منحنی آلوده در زمان‌های مداخله مختلف بود).
Ijgi 10 00480 g007a 550 Ijgi 10 00480 g007b 550 Ijgi 10 00480 g007c 550
شکل 7. منحنی تغییر موارد گزارش شده جدید در روز در ووهان تحت اقدامات حفاظتی مختلف. (گروه ( A ) تغییر منحنی آلوده تحت نسبت های مختلف افرادی بود که از اقدامات حفاظتی خود پیروی کردند؛ گروه ( B ) تغییر منحنی آلوده تحت اندازه شبکه و نسبت افرادی بود که از اقدامات محافظتی خود پیروی کردند) .
Ijgi 10 00480 g008a 550 Ijgi 10 00480 g008b 550 Ijgi 10 00480 g008c 550
شکل 8. منحنی تغییر موارد گزارش شده جدید در روز در ووهان تحت معیارهای مختلف ایزوله سازی بیمارستانی (گروه ( A ) تغییر منحنی آلوده تحت نسبت تخت های مختلف بود؛ گروه ( B ) تعداد تخت های مورد نیاز تحت نسبت های مختلف تخت بود . و طول خط عمودی زرد و نقاط منشور سبز نشان‌دهنده فاصله اطمینان 95 درصد و مقادیر میانه تعداد کل تخت‌های سرمایه‌گذاری شده به ترتیب مربوط به 10 منحنی است؛ گروه ( C ) تغییر منحنی آلودگی تحت مختلف بود. زمان مداخله.).
Ijgi 10 00480 g009a 550 Ijgi 10 00480 g009b 550
شکل 9. منحنی تغییر موارد گزارش شده جدید در روز در ووهان تحت مداخلات واقعی.

دسته‌بندی نشده

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید