在世界各地的城市中，冠狀病毒爆發都與餐廳、咖啡館和健身房有關。現在，一項使用手機資料來繪製人們活動的新模型表明，這些場所可能是美國城市中大多數 COVID-19 感染的源頭。
該模型發表在今日的《自然》雜誌上，還揭示了降低場所的容客量如何顯著減少感染人數。
華威大學（考文垂）的經濟學家蒂莫·費策爾說，該模型“為採取哪些具有成本效益的措施來控制疾病傳播，同時又限制對經濟的損害，提供了具體的指導”。“這是政策的最佳平衡點。”
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。透過購買訂閱，您將幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
移動資料
為了預測人們的活動可能如何影響病毒傳播，研究團隊將來自手機應用程式的匿名位置資料輸入到一個簡單的流行病學模型中，該模型估計了疾病的傳播速度。位置資料由位於科羅拉多州丹佛市的公司 SafeGraph 收集，來自美國 10 個最大的城市，包括伊利諾伊州芝加哥市；紐約；和賓夕法尼亞州費城。它繪製了人們在 3 月份開始的 2 個月內，如何在 57,000 個社群與餐廳、教堂、健身房、酒店、汽車經銷商和體育用品商店等興趣點之間移動。
當研究團隊將該模型在 3 月 8 日至 4 月 15 日期間芝加哥社群的感染人數與一個月後在這些社群正式記錄的感染人數進行比較時，他們發現該模型準確地預測了確診病例數。
萊斯科韋茨說：“我們能夠忠實地估計每天每小時 1 億人之間的接觸網路。這是我們擁有的秘訣。”
場所熱點
然後，研究團隊使用該模型模擬了不同的情景，例如重新開放一些場所，同時保持其他場所關閉。他們發現，以滿負荷容量開放餐廳會導致感染人數增加最多，其次是健身房、咖啡館、酒店和汽車旅館。如果芝加哥在 5 月 1 日重新開放餐廳，那麼當月將額外增加近 60 萬例感染，而開放健身房將額外產生 14.9 萬例感染。如果所有場所都開放，該模型預測將額外增加 330 萬例病例。
但是，將所有場所的容客量上限設定為 30% 將使額外感染人數減少到 110 萬，該模型估計。如果容客量上限設定為 20%，新增感染人數將減少 80% 以上，降至約 65 萬例。
倫敦帝國學院的流行病學家尼爾·弗格森說：“該研究突出了關於人口流動的即時大資料如何為以前所未有的空間粒度水平預測傳播動態提供潛力。”
移動資料還表明，為什麼來自較貧困社群的人們更可能感染 COVID-19：因為他們更難在家工作，而且他們購買必需品的商店通常比其他地區的商店更擁擠。較貧困社群的平均雜貨店每平方英尺每小時的訪客人數多出 59%，而且訪客停留的時間平均比這些地區以外的商店長 17%。萊斯科韋茨說，居住在這些地區的人們可能沒有太多選擇去訪客較少的商店，因此，一次購物的風險是來自較富裕地區的人的兩倍。
但是牛津大學的流行病學家克里斯托弗·戴伊說，這些流動模式需要用真實世界的資料來驗證。“這是一個有待檢驗的流行病學假設。但這是一個非常值得檢驗的假設，”他說。
全球趨勢
費策爾說，從廣義上講，建模研究證實了從全球範圍內的接觸者追蹤研究中學到的許多東西，這些研究已將餐廳、健身房、合唱團排練、療養院和其他擁擠的室內場所確定為超級傳播事件的地點，在這些地點，許多人在同一時間被感染。
上個月，費策爾發表了一份報告，顯示英國政府一項名為“外出就餐，幫助他人”的計劃（在該計劃中，8 月份的餐廳用餐獲得了補貼）如何導致餐廳訪問量激增，並佔當月新增 COVID-19 感染人數的 17% 之多。
但是，餐廳可能並非在所有地方都是熱點地區。德國的接觸者追蹤資料顯示，餐廳並非該國的主要感染源，英國牛津大學的傳染病建模專家莫里茨·克雷默說。這可能是因為使用接觸者追蹤資料很難確定感染源。克雷默說，儘管該模型對城市總體感染率的預測已透過真實世界資料驗證，但仍需要更詳細的接觸者追蹤資料來測試該模型是否正確識別了感染的實際位置。
萊斯科韋茨說，所有模型都有一定的誤差。但他補充說，由於它的許多預測與觀察資料相符，因此沒有理由認為它在較小規模上不起作用。
弗格森說，如果發現該模型能夠準確預測訪問特定地點的風險，衛生官員可以使用它來微調社交距離政策。
本文經許可轉載，並於 2020 年 11 月 10 日首次發表。