Роль климата и плотности населения в распространении SARS-CoV-2

erd_sol — 19.04.2021
Проведённое исследование глобального масштаба с учетом 134 871 вирусологических, климатических и демографических данных (209 стран, первые 16 недель пандемии). Чтобы проанализировать взаимосвязь между COVID-19, плотностью населения и климатом, была выдвинута гипотеза и протестирована теоретическая диаграмма путей с использованием моделирования структурными уравнениями (SEM), мощного статистического метода оценки причинных допущений.

Учитывались следующие переменные: осадки, влажность, давление, температура, ветер, солнечное излучение, плотность населения, еженедельная заболеваемость, еженедельная распространенность.

Среди климатических параметров наиболее важную роль играет облучение с факторной нагрузкой, за которой следуют температура, влажность, осадки и давление. Следует отметить, что данное исследование демонстрирует, что климатические факторы значительно влияют на распространение SARS-CoV-2.

Однако демографические факторы вместе с другими детерминантами могут повлиять на передачу инфекций, и их влияние может преодолеть защитный эффект климата, если он благоприятен.

11 марта 2020 года респираторное заболевание (COVID-19), вызванное коронавирусом SARS-CoV-2, после достижения глобального масштаба было классифицировано Всемирной организацией здравоохранения как пандемия. Продолжая развиваться, COVID-19 полностью изменил наш мир со всех точек зрения с драматическими социальными, экономическими и психологическими последствиями.

Данные, предоставленные правительством и организациями здравоохранения, показывают разное распределение эпидемии по странам, указывая на возможную связь между COVID-19 и климатическими факторами. Для решения этой проблемы было проведено несколько исследований, но их результаты разнятся.

Причин столь различных выводов несколько.

Во-первых, некоторые исследования были разработаны с внутренними ограничениями, которые не позволяют дать исчерпывающее представление о роли климата в распространении COVID-19, потому что они рассматривали только одну или несколько стран, без глобальной перспективы, из-за короткого выбранного периода наблюдения (2–8 недель) или небольшое количество учитываемых климатических переменных (хотя и различающихся между различными исследованиями).

Во-вторых, ни в одном из опубликованных до сих пор исследований не учитывалась роль демографических факторов. Эти переменные важны для правильной интерпретации явно различных результатов в некоторых регионах земного шара (например, в Индии, Бразилии, США).

В-третьих, во многих отчетах были допущены процедурные непреднамеренные предубеждения, что привело к другим возможным ошибкам и вышеупомянутому несоответствию. Одно из таких предубеждений - начало вспышки болезни. Поскольку начало инфекции не произошло одновременно в разных странах, при оценке в один и тот же момент времени, страны, вспышка которых началась раньше, как правило, регистрируют более высокую распространенность инфекции, чем другие. Для этого требуется относительная шкала времени, синхронизирующая страны в зависимости от начала эпидемии, до проведения любого статистического анализа.

Один из недостатков - это единообразная точка оценки. Климатические условия в разных странах значительно различаются от региона к региону. Сбор данных ограничен территорией с ограниченным доступом (например, столицей) не является репрезентативным для всей страны, и это может привести к ошибочным результатам. Следовательно, следует учитывать большее количество точек сбора данных в одной и той же стране.

Еще одна проблема - интервал задержки. Инкубационный период, отсроченное тестирование с момента появления симптомов, а также позднее сообщение результатов тестирования - все это способствует сдвигу во времени между заражением и подтверждением диагноза. Следовательно, необходимо учитывать время задержки между сбором климатических данных для анализа и сбором данных о COVID-19.

Наконец, взаимозависимость переменных. Климатические переменные обычно рассматриваются как самостоятельные факторы. Вместо этого они взаимодействуют друг с другом. Следовательно, для всестороннего понимания их эффектов необходим комплексный и конкретный анализ, поскольку их частичное рассмотрение может ввести в заблуждение.

Несомненно, знание факторов, влияющих на эпидемию, и понимание динамики ее распространения имеет стратегическое значение и имеет решающее значение. Это позволит нам не только ограничить заражение, но и лучше откалибровать политику сдерживания, уменьшив, таким образом, психологические, социальные и экономические последствия.

Исходя из этих соображений, мы провели обширный и всесторонний анализ, основанный на целых 134 871 данных, с использованием моделирования структурных уравнений (SEM), статистического метода для проверки линейных отношений между наблюдаемыми и скрытыми переменными на основе статистических данных и каузальная качественная гипотеза и разработанная моделями "LISREL", т.е. линейные структурные отношения.

Впервые примененный в 70-х годах в области социальных наук с переменными, которые нельзя было непосредственно наблюдать или измерить, SEM позже распространился среди научного сообщества благодаря своей гибкости и строгому подходу. Одним из основных преимуществ SEM является возможность одновременного учета нескольких зависимых переменных.

Гибкость и потенциал этого анализа были ключевыми для оценки климатических факторов и их роли в вспышке SARS-CoV-2, в попытке преодолеть ограничения и подводные камни, упомянутые выше. Кроме того, поскольку COVID-19, по-видимому, более широко распространяется в густонаселенных районах, мы также исследовали влияние некоторых социально-демографических переменных (таких как плотность населения) на заболеваемость и распространенность заболевания.

Полученные результаты

Статистика метеорологических переменных, плотности населения, недельной заболеваемости и распространенности SARS-CoV-2 были стратифицированы по климатическим зонам и относятся к первым 16 неделям заражения в 209 странах, рассмотренных в этом исследовании. В результате анализа выяснилось, что существует возрастающая (хотя и явно несовершенная) тенденция как заболеваемости, так и преобладания от теплых к холодным геоклиматическим зонам. Низкие значения заболеваемости и распространенности (на 100000 человек) зафиксированы в экваториальной и засушливых зонах, области с наиболее высокой температурой и большей солнечной радиацией; в то время как самые высокие значения заболеваемости и распространенности наблюдались в умеренно-теплой зоне, в зоне также зафиксировано самое высокое значение плотности населения.

Чтобы проверить предыдущие выводы, а именно, что индексы заболеваемости (заболеваемость и распространенность) зависят от геоклиматических зон, в которых географически расположены страны, был применен непараметрический критерий k-выборки для медианного равенства. Результаты теста показали статистически значимые различия в заболеваемости и распространенности среди геоклиматических зон (заболеваемость, распространенность), подтверждая, что на передачу вируса действительно влияют климат.

Для выявления и дальнейшего изучения взаимосвязи между заболеваемостью, климатическими переменными и плотностью населения также были разработаны тематические карты мира. Для каждой страны на картах показаны следующие особенности: (а) медианные значения заболеваемости и распространенности COVID-19 в первые 16 недель заражения, (б) медианные значения всех климатических переменных (обнаруженных со сдвигом во времени на две недели раньше сбора вирусологических данных) за тот же период и в) плотность населения.

Сравнение карт показало, что, за некоторыми исключениями, между исследуемыми переменными, по-видимому, не существует явной пространственной корреляции. Только солнечное излучение, температура и влажность показали, хотя и скромную связь с индексами заболеваемости: страны с более высоким солнечным излучением сообщили о более низких значениях заболеваемости и распространенности, в то время как самые высокие значения заболеваемости и распространенности были в основном зарегистрированы в районах с более низкими средними температурами (например, Соединенные Штаты Америки, Европа, Китай) и повышенная влажность.

Чтобы лучше изучить взаимосвязь между климатом и заболеваемостью/распространенностью SARS-CoV-2, двумерная корреляция между этими индексами и всеми основными метеорологическими переменными (рассматриваемыми индивидуально) была исследована с помощью коэффициента ранговой корреляции Спирмена. Затем, поскольку плотность населения представляет собой важный фактор передачи вируса, также была рассчитана корреляция между заболеваемостью/распространенностью и плотностью населения.

Результаты этого анализа, согласующиеся с результатами тематических карт мира, продемонстрировали лишь умеренное соответствие между солнечным излучением и температурой и значительную (хотя и низкую) отрицательную корреляцию температуры с заболеваемостью и распространенностью.

Однако обнаруженные слабые корреляции могли быть связаны с неоднородностью климатических условий во многих рассматриваемых странах. В этом случае простой модели двумерной регрессии (такой как ранговый тест Спирмена) может быть недостаточно для выявления сложных взаимосвязей. Следовательно, необходим более конкретный анализ, в котором климатические переменные могут рассматриваться одновременно и комплексно.

Чтобы понять сложные взаимодействия между геоклиматическими и эпидемиологическими переменными, была необходима более последовательная и подходящая математическая модель, такая как многомерный регрессионный подход моделирования структурных уравнений (SEM). С помощью этой статистической модели можно было учитывать комплексное влияние всех метеорологических переменных на COVID-19 и в то же время исследовать влияние плотности населения.

Результаты анализа показали четкую причинную роль климата. Для путей Климат  →  Заболеваемость и Климат  →  Распространенность интегрированные эффекты метеорологических факторов, измеренные с двухнедельным лагом и выраженные одной скрытой переменной (климат), оказались значимо связаны с заболеваемостью и распространенностью посредством стандартизованный коэффициент положительного пути.

Для путей Плотность населения  →  Заболеваемость и Плотность населения  →  Распространенность плотность населения была связана с заболеваемостью и распространенностью с помощью стандартизованных положительных коэффициентов пути, хотя в меньшей степени, чем у Climate . Наблюдаемые переменные, заболеваемость и распространенность, будучи тесно связанными по своей природе, показали высокую ковариацию между ошибками.

Интересный результат дает остаточная дисперсия для заболеваемости и для распространенности. Этот параметр отражает влияние неизмеряемых факторов, влияющих на заболеваемость и распространенность. Это указывает на то, что факторы, помимо климата и плотности населения, влияют на заболеваемость и распространенность SARS-CoV2, а также на случайные ошибки, ошибки при вводе данных и систематические ошибки, приводящие к ошибкам в измерении значений.

Наконец, качество соответствия модели было проверено, и результаты оценки показали общее хорошее соответствие. Это демонстрирует, что SEM адекватно подтверждает теоретическую диаграмму пути, показывая силу и направление связи между заболеваемостью и распространенностью SARS-CoV-2, климатическими переменными и плотностью населения.

В целом результаты анализа продемонстрировали, что (а) климат оказывает существенное влияние на заболеваемость и распространенность SARS-CoV-2 (по крайней мере, в первые 16 недель), сильнее, чем это проявляется плотностью населения; (б) среди климатических переменных наиболее влиятельным фактором оказалось солнечное излучение, за которым следуют (но в противоположном направлении) относительная влажность и температура (в том же направлении, что и солнечное излучение).

Обсуждение

Пандемия COVID-19 представляет серьезную угрозу для людей во всем мире, поскольку с каждым днем ​​растет тревожное число инфекций и случаев смерти. Следовательно, научное сообщество во всем мире постоянно ищет новые и полезные знания, направленные на противодействие распространению SARS-CoV-2.

В этой статье мы провели обширный и всесторонний анализ, чтобы определить роль климата и некоторых демографических факторов в распространении COVID-19. С этой целью мы использовали особый и мощный статистический метод (моделирование структурным уравнением) для оценки причинных допущений, принимая во внимание в качестве зависимых переменных как недельную заболеваемость, так и недельную распространенность.

Ключевой целью этого исследования было преодоление ограничений предыдущих исследований. В соответствии с этой точкой зрения, мы (а) провели исследование в глобальном масштабе (по всем странам мира), (б) провели наблюдение в течение длительного периода времени (насколько нам известно, самое продолжительное среди опубликованных исследований до сих пор), (в) учитывались не некоторые, а все шесть основных климатических факторов, (г) использовалась относительная шкала времени с синхронизацией стран на основе начала эпидемии, (д) ​​учитывалась не одна точка, а несколько точки оценки климатических переменных для каждой страны, (f) рассмотренный интервал задержки между получением климатических данных и сбором данных COVID-19 для анализа,

В свете этого выбор SEM был очень стратегическим. Это позволило протестировать сложную модель взаимосвязей климатических переменных, плотности населения и показателей заболеваемости. В качестве альтернативы потребовалось бы несколько отдельных анализов с менее надежными статистическими результатами. Использование SEM также имеет преимущество включения в модель расчёта переменных (таких как климат), которые нельзя непосредственно наблюдать. Кроме того, он решил проблему взаимозависимости между метеорологическими переменными, что позволило решать их во всестороннем анализе.

В целом, этот подход помог нам построить более основательный анализ, который дал надежные и надежные результаты, полностью согласующиеся с гипотезой о том, что как климат, так и плотность населения значительно влияют на распространение COVID-19. Более того, климат перевешивает плотность населения, и в этом контексте солнечное излучение играет наиболее важную роль.

Это согласуется с результатами некоторых эпидемиологических отчетов и недавним экспериментальным исследованием, показывающим, что УФ-излучение в очень малых дозах способно инактивировать SARS-CoV-2 22 . Хотя в меньшей степени температура, влажность и осадки также значительно повлияли на заболеваемость и распространенность SARS-CoV2. Вместо этого было показано, что роль ветра мала, а роль давления не имеет значения. В целом, эти результаты могут объяснить различное начальное распределение эпидемии по странам, при этом холодные страны страдают быстрее и сильнее, чем горячие.

Точно так же вышеупомянутые результаты подтверждают общее мнение о том, что климат является определяющим фактором в распространении пандемии. Они также служат основанием для недавних скоплений инфекций, развившихся в течение лета на различных рабочих местах в Европе, все из которых характеризуются отсутствием солнечного излучения и низкой температурой (например, колбасная фабрика в Мантуе, Италия; бойня в Гютерсло, Германия; бойня в Типперэри, Ирландия).

Однако высокие показатели COVID-19, наблюдаемые в последние недели в Бразилии, Индии и США, по-видимому, противоречат выводам, сделанным в настоящем исследовании, поскольку эта вспышка пандемии произошла в странах с высокой температурой и адекватным солнечным излучением. Однако SEM показало, что на заболеваемость и распространенность SARS-CoV-2 влияет не только климат, но и плотность населения, и этот фактор очень высок в трех упомянутых странах. Следовательно, при правильной интерпретации результаты настоящего исследования также могут объяснить этот очевидный парадокс.

Принимая во внимание причинно-следственные последствия климатических факторов для распространения SARS-CoV-2, может возникнуть соблазн определить порог солнечного излучения, температуры или любого другого климатического фактора, выше которого распространение COVID-19 отрицательно сказывается. Эта мысль очень привлекательна и также была одной из наших основных целей перед сбором, анализом и, что наиболее важно, пониманием наших данных. Кроме того, несколько исследований уже определили пороговое значение, хотя и с очень разными результатами.

Однако в случае COVID-19 рассмотрение только одного климатического фактора и попытка определить его пороговые значения, хотя и потенциально выполнимые, были бы ограничением, и, следовательно, любая полученная формула была бы концептуально неверной.

Корреляционный анализ нашего исследования и многочисленные метеорологические исследования неопровержимо демонстрируют, что основные климатические факторы (6 рассмотренных нами) взаимосвязаны. Следовательно, сосредоточение внимания на отдельных пороговых значениях, выше или ниже которых происходит данное событие, не имело бы математического или логического обоснования.

Теперь, когда дело доходит до SARS-CoV-2, сценарий становится еще более сложным. Фактически, существует не только отсутствие достоверных исторических данных об эпидемии в связи с климатическими факторами, но и серьезное отягчающее обстоятельство, что, помимо климатических факторов, на распространение SARS-CoV-2 влияет множество других факторов. (плотность населения, культурные привычки, строгость и соблюдение мер сдерживания, интенсивность торговли и контактов с людьми, меры гигиены и т. д.).

В ходе нашего исследования мы вскоре поняли, что из-за очень сложной природы, регулирующей отношения между переменными, определение порогового значения было невозможным именно потому, что задействовано слишком много причинных переменных, каждая из которых имеет очень широкий диапазон вариаций. Таким образом, мы решили сосредоточиться на анализе взаимосвязи между климатическими факторами и распространением вируса, чтобы определить основных участников этого явления и понять их влияние. Величина и алгебраический знак рассчитанных нами факторных нагрузок привели к пониманию типа корреляции между каждой климатической переменной и скрытой переменной климата, определив ее силу и направление. В свою очередь, коэффициенты пути, связывающие климат с наблюдаемой переменной (заболеваемость и распространенность), доказали свою корреляцию. Что немаловажно.

По сути, наше исследование демонстрирует, что невозможно определить монофакторное пороговое значение для прогнозирования обращения вспять распространения COVID-19. Только сложные математические модели (такие как модели метеорологического прогнозирования), подкрепленные огромным количеством наборов данных (возможно, также исторических), могут в достаточной мере определять условия надежной предсказуемости.

Заключение

Исследование демонстрирует, что климатические факторы и плотность населения значительно влияют на распространение SARS-CoV-2. Среди исследованных переменных наиболее влиятельным фактором оказалось солнечное излучение, за ним следуют температура, влажность, осадки и, с минимальным или незначительным воздействием, давление и ветер. Однако демографические факторы вместе с другими детерминантами могут повлиять на передачу (возможно, и особенно через прямые пути контакта), и их влияние может быть таким, что они могут преодолеть защитный эффект климата в некоторых странах.

Сбор информации

Данные относительно COVID-19 были собраны из репозитория Johns Hopkins GitHub Systems Science and Engineering 23 . Информация о правительственных мерах (закрытие школ и университетов) была взята из базы данных ЮНЕСКО 24 . Сообщаемые климатические параметры были взяты из набора данных POWER Project 25 исследовательского центра NASA Langley Research Center (LaRC), а демографические оценки (размер населения, площадь суши, плотность населения) были получены из оценок численности населения Организации Объединенных Наций и из Всемирной книги фактов Центральной Азии. Разведывательное управление (ЦРУ) 26 .

Чтобы оценить связь COVID-19 с геоклиматической средой, мир был разделен на пять геоклиматических зон в соответствии с обновленной классификацией Коппена-Гейгера: полярные, умеренно-холодные, тепло-умеренные, засушливые и экваториальные 27. .

Для анализа SARS-Cov-2 были приняты во внимание все 193 страны ООН. Среди них были исключены 16 малых стран с населением менее одного миллиона и плотностью менее 100 человек/км2 , а также 18 стран с недостаточными данными о COVID-19. И наоборот, все 50 штатов Соединенных Штатов Америки рассматривались индивидуально. Таким образом, в настоящее исследование было включено в общей сложности 209 стран.

Источник:
https://www.nature.com/articles/s41598-021-87113-1#Tab2

Оставить комментарий

Популярные посты:

• Ранее
• Архив