آثار حركة البشر على ديناميات انتقال 18 فيروسًا تنفسيًا في المدينة خلال سنوات ما قبل وما بعد جائحة كوفيد-19 Impacts of human mobility on the citywide transmission dynamics of 18 respiratory viruses in pre- and post-COVID-19 pandemic years

المجلة: Nature Communications، المجلد: 15، العدد: 1
DOI: https://doi.org/10.1038/s41467-024-48528-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38755171
تاريخ النشر: 2024-05-16

آثار حركة البشر على ديناميات انتقال 18 فيروسًا تنفسيًا في المدينة خلال سنوات ما قبل وما بعد جائحة كوفيد-19

تاريخ الاستلام: 11 ديسمبر 2023
تم القبول: 2 مايو 2024
نُشر على الإنترنت: 16 مايو 2024

أماندا سي. بيروفكسي © تشيلسي ل. هانسون © روي بورشتاين © شاندا بويل © روبن برينتس © كوبر مارشال © ديفيد رينهارت بن كابودانو © ميليسا ترونغ كريستين شواب-فراي كايلّا كوشتا براين فاو زاك أكر جوفير لي توماس ر. سيبلي © إيفان مكدرموت © ليزلي رودريغيز-سالاس جيريمي ستون لويس غامبو بيتر د. هان أماندا أدلر ألبانا واغماري مايكل ل. جاكسون مايكل فامولاري جاي شيندور © تريفور بيدفورد هيلين ي. تشو جانيت أ. إنجلوند (1) ليا م. ستاريتا و سيسيل فيبود

الملخص

لقد استخدمت العديد من الدراسات بيانات موقع الأجهزة المحمولة لنمذجة ديناميات فيروس SARS-CoV-2، ومع ذلك فإن العلاقات بين سلوك التنقل والفيروسات التنفسية المستوطنة أقل فهمًا. درسنا تأثيرات تنقل السكان على انتقال 17 فيروسًا مستوطنًا وSARS-CoV-2 في سياتل على مدى فترة 4 سنوات، من 2018 إلى 2022. قبل عام 2020، كانت الزيارات إلى المدارس ورياض الأطفال، والاختلاط داخل المدينة، وتدفق الزوار تسبق أو تتزامن مع تفشي الفيروسات المستوطنة الموسمية. انخفضت دورة الفيروسات بشكل كبير بعد بدء أوامر البقاء في المنزل المتعلقة بكوفيد-19 في مارس 2020. خلال هذه الفترة، كان التنقل مؤشرًا إيجابيًا ورائدًا لانتقال جميع الفيروسات المستوطنة وكان مرتبطًا بشكل سلبي مع نشاط SARS-CoV-2. كان التنقل في فترة قصيرة تنبؤيًا لانتقال SARS-CoV-2 عندما تم تخفيف القيود، لكن الروابط ضعفت في الموجات اللاحقة. كان انتعاش الفيروسات المستوطنة متباين التوقيت ولكنه أظهر علاقات أقوى وأكثر ديمومة مع التنقل مقارنةً بـ SARS-CoV-2. بشكل عام، يعتبر التنقل الأكثر تنبؤًا بانتقال الفيروسات التنفسية خلال فترات التغيير السلوكي الدراماتيكي وفي بداية موجات الوباء.

في أوائل عام 2020، تم اعتماد تدابير الصحة العامة على نطاق واسع لإبطاء انتشار فيروس كورونا المسبب لمتلازمة التنفس الحادة الشديدة 2 (SARS-CoV-2). تم تنفيذ مجموعة متنوعة من التدخلات غير الدوائية (NPIs) في معظم البلدان لتقليل الاتصال بين الأفراد المصابين والمعرضين للإصابة، بما في ذلك أوامر البقاء في المنزل، وقيود التجمعات، وإغلاق المدارس والأعمال، وحظر السفر. كانت هذه التدخلات
فعّالة في تقليل انتقال فيروس SARS-CoV-2 فحسب، بل أيضًا انتشار مسببات الأمراض التنفسية الأخرى التي تنتقل مباشرة. لم تعد العديد من الفيروسات التنفسية المتوطنة إلى الانتشار الواسع حتى نهاية عام 2020 أو تزامنًا مع الرفع التدريجي لتدابير التباعد الاجتماعي وفرض ارتداء الكمامات.
خلال جائحة كوفيد-19، أصبحت بيانات الموقع المجمعة من الهواتف المحمولة مصدرًا مهمًا للمعلومات حول
التغيرات في تحركات السكان ومستوى فعالية التدابير غير الصيدلانية في انتقال فيروس SARS-CoV-2 . ومع ذلك، فإن القليل من الدراسات قد استكشفت العلاقات بين حركة البشر وديناميات مسببات الأمراض التنفسية المستوطنة خلال الجائحة. هنا نعرف مسببات الأمراض “المستوطنة” على أنها تلك التي لها دورات دورية منتظمة ومعدلات ثابتة من العدوى خلال فترات التفشي. نظرًا لعدم انتشار الفيروسات التنفسية المستوطنة في السنوات الأولى من الجائحة، من المتوقع أن تكون قابلية السكان لهذه المسببات قد زادت، مما أدى إلى تفشيات مبكرة أو أكبر أو أكثر شدة بعد بضعة أشهر. فهم تأثير أنماط التنقل على ديناميات العوامل الممرضة المستوطنة مهم لأغراض التنبؤ، خاصةً أن التغيرات في الحركة يمكن أن تؤدي إلى تفشي متداخل لعوامل ممرضة مختلفة، مما يضع بدوره ضغطًا شديدًا على نظام الرعاية الصحية (مثل “الثلاثية الوبائية” في الولايات المتحدة خلال شتاء 2022-2023). .
هنا، نحقق في تأثيرات سلوك السكان على ديناميات انتقال الفيروسات التنفسية في منطقة سياتل الكبرى، واشنطن، على مدى فترة 4 سنوات، من نوفمبر 2018 إلى يونيو 2022، باستخدام بيانات مفصلة بشكل فريد من المراقبة التنفسية المستندة إلى المستشفيات والمجتمعات وحركات مستخدمي الأجهزة المحمولة. لتحديد أي مؤشرات سلوكية قد تلتقط بشكل أفضل الاتصالات ذات الصلة بالانتقال، نقوم بشكل منهجي بربط التغيرات في قابلية الانتقال اليومية لـ 18 فيروسًا تنفسيًا شائعًا مع الاتجاهات في الاختلاط داخل المدينة، وتدفق الزوار، ونسبة الأجهزة التي تبقى في المنزل، وحركة المشاة إلى فئات مختلفة من نقاط الاهتمام، وارتداء الكمامات، والتدابير غير الدوائية المتعلقة بكوفيد-19. تشمل هذه الفيروسات أنماط انتقال مختلفة، ودورات موسمية، وتوزيعات عمرية للعدوى، بما في ذلك SARS-CoV-2، وفيروسات الإنفلونزا. ، وفيروسات الجهاز التنفسي المخلوي (RSV A و B)، والفيروسات التاجية الموسمية (hCoV 229E و OC43 و HKU1 و NL63)، والفيروس المخلوي البشري (hMPV)، وفيروسات البارينفلونزا البشرية (hPIV1 و 2 و 3 و 4)، والفيروسات الأنفية البشرية (hRV)، والفيروسات المعوية غير الأنفية (EV)، وفيروسات الأدينو (AdV).

النتائج
نظرة عامة على الدراسة

نستخدم بيانات مراقبة مفصلة على مستوى الأفراد من دراسة إنفلونزا سياتل (SFS)، التي انطلقت في خريف 2018 لتحسين الكشف والسيطرة على الأوبئة والجوائح. نفذت SFS مراقبة مكثفة في المستشفيات والمجتمعات مع اختبار جزيئي منهجي لمسحات الأنف لما يصل إلى 26 من مسببات الأمراض التنفسية. (الجدول S1). تمتد دراستنا من 19 نوفمبر 2018 إلى 30 يونيو 2022، حيث تم جمع عينات تنفسية من أفراد يعانون من أمراض تنفسية ومن آخرين لا يعانون منها عبر مجموعة متنوعة من المواقع في منطقة سياتل الحضرية، كما تم وصفه سابقًا. . في المجموع، قامت SFS بفحص 138,050 عينة تنفسية بحثًا عن وجود 24 أو 26 مسببًا للأمراض (الجدول S1)، واحتفظنا بـ 80,891 عينة بعد تقييد تحليلنا بالأفراد الذين تظهر عليهم الأعراض واستبعاد العينات التي تفتقر إلى البيانات الوصفية أو من اختبارات متعددة (الجدول 1، الجدول S2). 25.5% ( ) من العينات تم جمعها في المستشفيات، و ( تم جمعها من خلال الاختبارات المعتمدة على المجتمع، بما في ذلك العيادات الخارجية، والأكشاك الموجودة في المناطق ذات الحركة العالية. برامج الاختبار في المنزل عن طريق المسحة والإرسال ومواقع اختبار COVID-19 التي تديرها الصحة العامة في سياتل ومقاطعة كينج (الجدول 1، الجدول S2). تم جمع معظم العينات المتبقية من المستشفيات من الفئات العمرية الأصغر، بينما تم جمع معظم العينات من المجتمع من البالغين (الجدول 1، الشكل S1، الجدول S2).
على مدار الدراسة التي استمرت أربع سنوات، من العينات التي أظهرت نتيجة إيجابية لواحد على الأقل من مسببات الأمراض التنفسية (بما في ذلك SARS-CoV-2)، كانت إيجابية لوجود على الأقل واحد من مسببات الأمراض التنفسية المستوطنة، و كانت إيجابية لأكثر من مسبب مرضي واحد. قبل بدء قيود COVID-19 في واشنطن في مارس 2020، كانت أكثر المسببات المرضية انتشارًا بين العينات الإيجابية هي فيروس الإنفلونزا A/H1N1 ( )، تليها hRV ( فيروس الإنفلونزا A/H3N2 ( فيروس الإنفلونزا ب ) ، و RSV A ( ) (الشكل S2). بعد مارس 2020، كانت أكثر العوامل الممرضة انتشارًا هي SARS-CoV-2 (39.3%)، hRV (35%)، وAdV (5%) (الشكل S2).
قمنا بإعادة بناء الحوادث اليومية لفيروس SARS-CoV-2 وكل مسببات الأمراض المستوطنة، مع تعديل حجم الاختبار بمرور الوقت، والعمر، والإعداد السريري، ومعدلات الأمراض التنفسية المتلازمة المحلية (الشكل 1، الشكل S3). على الرغم من أن SFS اختبرت عينات تنفسية لما يصل إلى 26 مسببًا، إلا أننا قصرنا تحليلنا على 18 فيروسًا مع أخذ عينات كافية (انظر “الطرق” لمعايير الإدراج)، بما في ذلك SARS-CoV-2، الإنفلونزا A/H1N1، A/H3N2، وفيروسات B، RSV A وB، hCoV 229E، OC43، HKU1، وNL63، hPIV 1، 2، 3، و4، hMPV، hRV، EV، وAdV (الشكل 1، الشكل S3). نظرًا لقيود الفحوصات المخبرية، قمنا بتجميع السلالات الوبائية المتميزة في سلسلة زمنية واحدة لكل من hCoV 229E وhCoV OC43 (من هنا فصاعدًا hCoV 229E + OC43)، hCoV HKU1 وhCoV NL63 (hCoV HKU1 + NL63)، hPIV 1 وhPIV 2 (hPIV 1+2)، hPIV 3 وhPIV 4 (hPIV 3 + 4)، hRV، EV، وAdV (الجدول S1).
استنادًا إلى الحوادث المعاد بناؤها، استخدمنا نماذج وبائية شبه آلية لقياس شدة الانتقال المتغيرة مع الزمن من خلال عدد التكاثر الفعال اليومي. (الشكل 1). هو العدد المتوسط للحالات الثانوية الناشئة عن فرد مصاب في الوقت ، على افتراض أن الظروف الوبائية تظل متطابقة بعد ذلك الوقت لتقدير استنادًا إلى تواريخ العدوى، قمنا بتداخل فترات الحضانة غير المؤكدة وتوزيعات تأخير الإبلاغ (أي، التأخيرات من بداية الأعراض إلى
الجدول 1 | خصائص المشاركين
فئة الموقع
متغير جميع مواقع العينة، N=80,891 المخلفات المستشفوية، ن = 20,659 مراقبة مجتمع SFS، N=52,276 اختبار COVID-19 من خلال القيادة
مسكن المنزل
مقاطعة كينغ الشمالية 47,412 (59%) 10,464 (51%) 31,342 (60%) 5,606 (70%)
مقاطعة كينغ الجنوبية 17,964 (22%) 4,433 (21%) 11,846 (23%) 1,685 (21%)
صوت بوجيت، غير مقاطعة كينغ 15,515 (19%) 5,762 (28%) 9,088 (17%) 665 (8.4%)
جنس
أنثى 44,691 (55%) 9,407 (46%) 30,888 (59%) 4,396 (56%)
ذكر 35,795 (44%) 11,249 (54%) 21,074 (41%) 3,472 (44%)
آخر 44 (أقل من 0.1%) 0 (0%) 44 (أقل من 0.1%) 0 (0%)
(مفقود) ٣٦١ ٣ ٢٧٠ ٨٨
المتوسط (الانحراف المعياري العمر 31 (21) 15 (20) ٣٥ (١٨) ٤٧ (١٨)
فئة العمر
<1 3,459 (4.3%) 2,990 (14%) 469 (0.9%) 0 (0%)
1-4 9,839 (12%) 6,368 (31%) 3,341 (6.4%) 130 (1.6%)
5-17 10,698 (13%) 5,830 (28%) 4,586 (8.8%) 282 (3.5%)
18-49 40,311 (50%) 3,310 (16%) 33,022 (63%) 3,979 (50%)
50-64 10,902 (13%) 1,209 (5.9%) 7,515 (14%) 2,178 (27%)
5,682 (7.0%) 952 (4.6%) 3,343 (6.4%) 1,387 (17%)
فئة عمرية واسعة
<5 13,298 (16%) 9,358 (45%) 3,810 (7.3%) 130 (1.6%)
67,593 (84%) 11,301 (55%) 48,466 (93%) 7,826 (98%)
الشكل 1 | الحدوث اليومي وقابلية انتقال الفيروسات التنفسية المستوطنة و SARS-CoV-2 في منطقة سياتل الكبرى. أ الأعداد الفعالة المتغيرة يوميًا. ، خطوط سميكة، المحور العمودي الأيسر) وحالات إعادة بناء الفيروسات التنفسية المستوطنة (خطوط رفيعة، المحور العمودي الأيمن) خلال الفترة من نوفمبر 2018 إلى يونيو 2022. تشير اللوحة الزرقاء المظللة عموديًا إلى توقيت عاصفة ثلجية كبيرة في سياتل (من 3 إلى 15 فبراير 2019)، والخط المنقط العمودي يشير إلى تاريخ إعلان حالة الطوارئ في ولاية واشنطن (29 فبراير 2020)، و
تشير اللوحة المظللة باللون البرتقالي إلى فترة البقاء في المنزل في سياتل (23 مارس – 5 يونيو 2020). ب أرقام التكاثر الفعالة المتغيرة زمنياً يومياً لفيروس SARS-CoV-2 ( خط أخضر سميك، المحور العمودي الأيسر)، عدد حالات COVID-19 في مقاطعة كينغ (خط أخضر رفيع، المحور العمودي الأيمن -المحور)، وشدة التدخلات غير الدوائية في ولاية واشنطن، المقاسة بواسطة مؤشر شدة أكسفورد (الخط البرتقالي الرفيع، المحور الأيسر)، خلال يناير 2020 – يونيو 2022. في و يومي تظهر السلاسل الزمنية الوسيط البعدي (الخط الداكن الرفيع) و فترة موثوقة (شريط مظلل).
اختبار)، حيث تم إبلاغ التأخيرات من خلال بيانات المراقبة على مستوى الأفراد لدينا (انظر “طرق إضافية”). استخدمنا بيانات موقع الأجهزة المحمولة المجمعة من SafeGraph وMeta Data for Good لتقييم تأثيرات تحركات السكان على ديناميات الفيروسات التنفسية على مستوى المدينة في سنوات ما قبل وما بعد الجائحة (الأشكال 2-3). خلال فترة الجائحة، اعتبرنا أيضًا تأثيرات مؤشرات السلوك غير المتنقل، بما في ذلك صرامة استجابة حكومة واشنطن لـ COVID-19، التي تم قياسها بواسطة مؤشر صرامة أكسفورد. (الشكل 1)، ونسبة الأفراد الذين يرتدون أقنعة في الأماكن العامة (الشكل 2).
ترتبط الانخفاضات في الحركة بتقليل انتشار الفيروسات التنفسية خلال عاصفة ثلجية كبيرة في فبراير 2019
كانت معظم الفيروسات المتوطنة في دراستنا، بما في ذلك فيروسات الإنفلونزا A، RSV، hCoV، hPIV 3+4، hMPV، hRV، EV، وAdV، تتداول خلال موسم الشتاء 2018-2019. كان هذا الموسم غير عادي حيث شهدت سياتل تساقطًا غير معتاد للثلوج خلال فبراير 2019، مما أدى إلى إغلاق واسع النطاق للمدارس وأماكن العمل وتقليل السفر الإقليمي من 3 فبراير إلى 15 فبراير 2019. كانت فئات التنقل الأكثر تأثرًا بالعاصفة الثلجية تشمل حركة المشاة إلى المدارس الابتدائية والثانوية، والجامعات، ومحطات النقل. ينخفض دون
الشكل 2 | اتجاهات التنقل والسلوك في منطقة سياتل الكبرى استنادًا إلى بيانات موقع الأجهزة المحمولة المجمعة، نوفمبر 2018 – يونيو 2022. في كل لوحة، تشير اللوحة الزرقاء العمودية المظللة إلى توقيت عاصفة ثلجية كبيرة في سياتل (3-15 فبراير 2019)، وتشير الخطوط العمودية المتقطعة إلى تاريخ إعلان حالة الطوارئ في ولاية واشنطن (29 فبراير 2020)، وتشير اللوحة البرتقالية العمودية المظللة إلى فترة البقاء في المنزل في سياتل (23 مارس – 5 يونيو 2020). أ التغير المئوي عن خط الأساس لحركات السكان على نطاق واسع: الحركة داخل الأحياء (بنفسجي)، الحركة بين الأحياء.
(الأخضر)، تدفق الزوار من مقاطعات واشنطن الأخرى (الأحمر)، وتدفق الزوار من خارج الولاية (الأزرق الفاتح). ب نسبة التغير من الخط الأساسي في حركة المشاة إلى فئات مختلفة من نقاط الاهتمام (POIs): محطات النقل (الأرجواني)، المطاعم الكاملة الخدمة (الأصفر الداكن)، المنظمات الدينية (الأخضر)، محلات البقالة والصيدليات (الوردي)، الكليات والجامعات (الأخضر الفاتح)، والمدارس الابتدائية والثانوية (الأزرق). ج نسبة الأجهزة التي تبقى في المنزل تمامًا (الأرجواني، اليسار -المحور) ونسبة الأفراد الذين يرتدون الكمامات في الأماكن العامة في مقاطعة كينغ (الأخضر الداكن، اليمين -محور).
الزيارات إلى مراكز رعاية الأطفال، وتدفق الزوار من خارج الولاية ينخفض دون المستوى الأساسي) (الشكل 2، الشكل S4). كما تم وصفه سابقًا أدى هذا الإغلاق على مستوى المدينة إلى انخفاض ملحوظ في حدوث العديد من العوامل الممرضة (الشكل S5).
لقياس التأثير العام للعاصفة الثلجية على انتشار الفيروسات، قمنا بمقارنة محددات مسببات الأمراض القيم خلال الأسبوعين السابقين واللاحقين لبدء تساقط الثلوج الكثيف في 3 فبراير 2019 (الجدول 2). كانت RSV وAdV وEV هي العوامل الممرضة الأكثر تأثراً بالاضطرابات المتعلقة بالطقس. تراجعات)، تليها فيروسات الإنفلونزا و hCoV ( فيروس الإنفلونزا A/H3N2
تعافت الفيروسات PIV 3+4 و hMPV و hRV و EV و AdV بعد إعادة فتح المدارس وأماكن العمل، وبلغت ذروتها في الوباء من منتصف مارس إلى أوائل أبريل 2019 (الشكل S5).
خلال فبراير 2019، سبقت أو تزامنت تخفيضات في الحركة مع انخفاضات في انتقال العوامل الممرضة، على الرغم من أن قوة الارتباطات اختلفت بين العوامل الممرضة (الأشكال S6-S7). من بين العوامل الممرضة التي شهدت أكبر انخفاضات (RSV، AdV، وEV)، كانت الانخفاضات في تزامن بشكل وثيق مع انخفاض تدفق الزوار وحركة المشاة إلى المدارس ومراكز رعاية الأطفال والمطاعم والخدمات الدينية (متوسط معامل الارتباط المتقاطع لسبيرمان)
الشكل 3 | شبكة غير موجهة لحركة الأجهزة المحمولة بين الأحياء (مجموعات الكتل السكانية، CBGs) في سياتل، واشنطن، خلال نقاط زمنية وبائية رئيسية. تشمل النقاط الزمنية عاصفة ثلجية كبيرة في فبراير 2019، وأسبوع في يوليو 2019 لإظهار حركة الأساس، وبداية أوامر البقاء في المنزل في مارس 2020، وأسبوع خلال موجة دلتا في يوليو 2021، وأسبوع خلال موجة أوميكرون BA.1 في يناير 2022. يتم تجميع الزوار الأسبوعيين لنقاط الاهتمام (POI) حسب CBG المنزل للزائر وCBG نقطة الاهتمام. يتم تظليل حواف الشبكة (الخطوط).
وفقًا لعدد الزوار الفريدين بين كل زوج من CBGs خلال أسبوع معين، مع حواف أسمك وأغمق تشير إلى عدد أكبر من الزوار. ب الرسوم البيانية التي تظهر تكرار الدرجة قيم أحياء سياتل (أي، العدد الصحيح من الأحياء الأخرى التي يرتبط بها كل حي فردي) في كل نقطة زمنية. الخط العمودي المتقطع الذي يتداخل مع كل هيستوغرام يشير إلى الدرجة الوسيطة لشبكة أحياء سياتل.
المعاملات، النطاق: 0.79-0.98؛ جميع الارتباطات المبلغ عنها ذات دلالة إحصائية؛ الأشكال S6-S7). بالنسبة للعوامل الممرضة التي لم تشهد انخفاضات في الانتقال (hPIV ، hMPV و hRV ، كان لها ارتباطات سلبية أو غير ذات دلالة مع الحركة خلال عاصفة الثلج (الأشكال S6-S7).
الجدول 2 | التغيرات في القابلية للانتقال (أرقام التكاثر الفعالة المتغيرة مع الزمن، خلال الأسبوعين اللذين قبلا وبعد حدثين: عاصفة ثلجية كبيرة في فبراير 2019 وبدء تدابير التباعد الاجتماعي المتعلقة بكوفيد-19 في مارس 2020
مُمْرِض عاصفة ثلجية كبيرة، فبراير 2019 قيود COVID-19 المبكرة، مارس 2020
تغيير في قيمة P تغيير في قيمة P
إنفلونزا A/H3N2 -12 [-17, -7] % غير متداول
إنفلونزا أ/H1N1 -19 [-24, -15] % -43 [-54, -33] %
إنفلونزا ب غير متداول -15 [-17, -12] %
RSV A -40 [-45, -35] % -9 [-13, -5] %
RSV B -37 [-40, -32] % -4 [-5, -2] %
فيروس الهربس البشري 19 [16، 22] % 0.001 -21 [-22, -19] %
فيروس الهربس البشري 1+2 غير متداول غير متداول
فيروس الجهاز التنفسي البشري 3+4 14 [9,18] % 0.001 -21.5 [-22, -21] %
hCoV 229E + OC43 -10 [-14, -5] % -20 [-21, -19] %
فيروس كورونا البشري HKU1 + NL63 -18 [-19, -17] % -25 [-28, -22] %
hrV 2 [0, 3] % 0.073 -29 [-32, -26] %
EV -33 [-40, -25] % -31 [-53, -13] % 0.003
AdV -39 [-43, -33] % -33 [-45, -21] %
سارس-كوف-2 لا يتداول -39 [-54, -25] %

العلاقات بين التنقل وانتقال مسببات الأمراض خلال موسم الشتاء 2019-2020 (قبل الجائحة)

كان موسم الفيروسات التنفسية 2019-2020 موسمًا نموذجيًا نسبيًا في سياتل مع زيادة نشاط العديد من الفيروسات التنفسية الشائعة (الشكل 1). خلال خريف 2019، كانت الزيارات إلى دور رعاية الأطفال والمدارس والكليات والمنظمات الدينية تسبق أو تتزامن مع الزيادات الأولية في تداول فيروسات الإنفلونزا، RSV، hMPV، hCoV، AdV، وhPIV (معاملات الارتباط المتقاطعة من نوع سبيرمان، النطاق: ; جميع الارتباطات المبلغ عنها ذات دلالة إحصائية؛ الشكل 4، الشكل S8). كانت الحركات واسعة النطاق مرتبطة أيضًا بتغيرات في قابلية انتقال الفيروسات المستوطنة، وبشكل خاص، نسبة الأجهزة التي تغادر المنزل (RSV، hCoV HKU1 + NL63، hPIV 3 + 4، وإنفلونزا A/H1N1؛ : 0.5 0.82 ) والحركة بين الأحياء (AdV، hMPV، RSV A، hPIV1 + 2، وإنفلونزا B؛ : 0.48 – 0.82 ) (الشكل 4، الشكل S8). بالنسبة لمعظم مسببات الأمراض، كانت أقوى العلاقات بين الانتقال والتنقل تحدث في بداية الموسم في أوائل الخريف (الشكل 4، الشكل S8).
استخدمنا نماذج عامة متعددة المتغيرات (GAMs) لقياس العلاقات غير الخطية بين التنقل و واختيار نموذج GAMs لتقييم الأهمية النسبية لمؤشرات مختلفة في التنبؤ بـ خلال موسم 2019-2020، قبل بدء جائحة COVID-19 (سبتمبر 2019 – فبراير 2020). بالنسبة لكل مسبب مرض، سمحنا للنماذج المرشحة بتضمين اتجاه زمني ملس واثنين من مصطلحات التنقل الملس. تم ضبط GAMs على أطر زمنية تمتد عبر مرحلة النمو الأسي لكل تفشي، عندما يتجاوز 1 ويكون استنفاد القابلية محدودًا. بالنسبة لمعظم مسببات الأمراض، تضمنت النماذج الحد الأدنى مؤشر سلوك متعلق بالمدرسة (حركة الأقدام إلى المدارس أو الكليات) ومتغيرًا مرتبطًا بالحركة السكانية واسعة النطاق (نسبة الأجهزة التي تغادر المنزل أو تدفق من خارج الولاية)، مع التأثيرات الجزئية لمعظم متغيرات التنقل تزداد بشكل أحادي مع (الشكل S9).
الشكل 4 | معاملات الارتباط المتقاطعة لسلاسل الزمن والفترات المثلى بين قابلية انتقال الفيروسات التنفسية (أرقام التكاثر الفعالة المتغيرة مع الزمن، ) وتنقل الهواتف المحمولة في منطقة سياتل الكبرى، سبتمبر 2019 – مايو 2020. النقاط هي مؤشرات تنقل فردية مستمدة من بيانات موقع الأجهزة المحمولة المجمعة. معاملات الارتباط من نوع سبيرمان موجودة على المحور -، والفترات الزمنية (بالأسابيع) بين والتنقل موجودة على المحور السيني. الفترات الزمنية السلبية
تشير إلى أن السلوك يسبق ، والفترات الزمنية الإيجابية تشير إلى أن يسبق السلوك. تشير فترة زمنية قدرها 0 إلى أن سلسلتي الزمن في نفس المرحلة (أي، متزامنة). تتضمن اللوحة المظللة باللون الأصفر في كل جانب مؤشرات تنقل لها علاقة إيجابية رائدة مع الانتقال، وبالتالي ستعتبر تنبؤية للانتقال. الشكل S10 يظهر معاملات الارتباط المتقاطعة لمجموعة كاملة من مؤشرات التنقل.

التأثيرات الأولية لقيود COVID-19 على التنقل وتداول الفيروسات التنفسية

ظهرت أولى إصابات سارس-كوف-2 في ولاية واشنطن من إدخال واحد في أواخر يناير أو أوائل فبراير 2020، وكان على الأقل سلالة واحدة تتداول في منطقة سياتل لمدة أسابيع قبل 28 فبراير، عندما تم الإبلاغ عن أول حالة مكتسبة من المجتمع . لإبطاء انتشار سارس-كوف-2، أعلنت واشنطن حالة الطوارئ في 29 فبراير، وأغلقت المدارس في مقاطعات كينغ، بيرس، وسنوهوميش في 12 مارس، وأصدرت أوامر البقاء في المنزل على مستوى الولاية في 23 مارس. في هذه الأثناء، أوصت مقاطعة كينغ بأن تسمح أماكن العمل للموظفين بالعمل من المنزل في 4 مارس وأغلقت تناول الطعام الداخلي والعديد من الأعمال الأخرى في 16 مارس.
انخفضت مستويات التنقل بشكل كبير بعد 29 فبراير، وبحلول بداية إغلاق الأعمال في مقاطعة كينغ في 16 مارس، كانت حركة الأقدام إلى محطات النقل أقل من تحت المستوى الأساسي، وكانت حركة الأقدام إلى المدارس والكليات تحت المستوى الأساسي، وكان التدفق من خارج الولاية والاختلاط داخل المدينة تحت المستوى الأساسي (الشكل 2، الشكل S4). بعد إصدار أوامر البقاء في المنزل في 23 مارس، انخفضت حركة الأقدام إلى نقاط الاهتمام والحركات واسعة النطاق إلى 65-95% تحت المستوى الأساسي (الشكل 2، الشكل S4)، بينما زادت نسبة الأجهزة التي تبقى في المنزل بالكامل إلى 50% (الشكل 2). من الجدير بالذكر أن تدابير التباعد الاجتماعي غيرت ليس فقط
حجم الحركة بين أحياء سياتل ولكن أيضًا وجود وغياب الروابط بين الأحياء (الشكل 3).
انخفضت معدلات انتقال جميع مسببات الأمراض التنفسية بشكل كبير بعد حالة الطوارئ، على الرغم من أن بعض مسببات الأمراض الموسمية كانت بالفعل في انخفاض قبل 29 فبراير (الشكل 1، الشكل S3). قمنا بقياس التأثيرات الأولية لتدابير الصحة العامة المتعلقة بـ COVID-19 على تداول الفيروسات التنفسية من خلال مقارنة القيم خلال الأسبوعين قبل وبعد إعلان حالة الطوارئ في 29 فبراير (الجدول 2). كانت التدابير الصحية العامة المبكرة فعالة في خفض معدلات انتقال سارس-كوف-2 بنسبة [95% CI: 25، 54]. من بين مسببات الأمراض المستوطنة، كان فيروس إنفلونزا A/H1N1، AdV، EV، وhRV الأكثر تأثرًا بالتغيرات السلوكية المتعلقة بالجائحة، حيث شهدت انخفاضات في قابلية الانتقال بحلول 16 مارس، تليها hPIV 3+4، hMPV، وhCoV (انخفاضات بنسبة 20-25%). كانت الانخفاضات في RSV وفيروس إنفلونزا B أكثر تواضعًا، نظرًا لأن تفشيها الموسمي قد انتهى في الغالب بحلول أواخر فبراير. انخفض تفشي hPIV 1+2 في منتصف فبراير وبالتالي لم يتأثر بتدابير الصحة العامة المتعلقة بـ COVID-19.
لاحظنا علاقات قوية بين التنقل وانتقال مسببات الأمراض التنفسية في ربيع 2020. كانت جميع مقاييس التنقل مؤشرات إيجابية رائدة لـ عبر جميع
الشكل 5 | العلاقات بين انتقال سارس-كوف-2 والتنقل، وارتداء الكمامات، وشدة التدخلات غير الصيدلانية في منطقة سياتل الكبرى، يناير 2020 – مارس 2022. تشير الخط العمودي الأخضر المتقطع إلى تاريخ إعلان حالة الطوارئ في واشنطن (29 فبراير 2020)، وتشير اللوحة المظللة باللون البرتقالي العمودي إلى فترة البقاء في المنزل في سياتل (23 مارس – 5 يونيو 2020). تشير الألواح المظللة باللون الأزرق إلى توقيت أربع موجات من COVID-19 في سياتل. أ. أرقام التكاثر الفعالة الأسبوعية ( ) لسارس-كوف-2، بما في ذلك الوسيط الخلفي (الخط الداكن الرفيع) و فترة الثقة الموثوقة (الشريط المظلل). ب. معاملات الارتباط المتقاطعة من نوع سبيرمان المتدحرجة بين الأسبوعية
ومؤشرات سلوكية. تمثل النقاط القيم القصوى (المطلقة) لمعاملات الارتباط المتقاطعة المتدحرجة لمدة 5 أشهر بين الأسبوعية ومقاييس التنقل الفردية، بعد تقييد التحليل للعلاقات الرائدة أو المتزامنة بين التنقل و . يشير لون النقطة والرقم داخل كل نقطة إلى الفترة الزمنية بالأسابيع التي تتوافق مع القيمة القصوى لمعامل الارتباط المتقاطع لكل فترة 5 أشهر (“الفترة الزمنية المثلى”). تشير القيم السلبية إلى أن السلوك يسبق ، وتشير فترة زمنية قدرها 0 إلى أن سلسلتي الزمن في نفس المرحلة (أي، متزامنة). تشير شفافية النقطة إلى الدلالة الإحصائية لمعامل الارتباط المتقاطع (نعم: صلب، لا: شفاف).
الفيروسات المستوطنة (الشكل 4، الأشكال S10-S11). في المقابل، تأخرت الحركة وكانت مرتبطة سلبًا بانتقال سارس-كوف-2 خلال هذه الفترة (الشكل 4، الأشكال S10-S11). بدأت قيود COVID-19 في التخفيف في 4 مايو 2020، عندما دخلت مقاطعة كينغ المرحلة 1 من خطة إعادة فتح الولاية، مما سمح بتناول الطعام في الهواء الطلق، وخدمات العبادة، ومراكز اللياقة البدنية لإعادة الفتح بسعة محدودة. تراوحت قيم سارس-كوف- بين 0.8 و 0.9 طوال أبريل ومايو ولم تتجاوز 1 حتى أوائل يونيو (الشكل 1). خلال أواخر أبريل ومايو، أصبح سارس- مرتبطًا إيجابيًا ومتزامنًا مع معظم مؤشرات التنقل (معاملات الارتباط المتقاطعة المتحركة من نوع سبيرمان، : 0.59-0.92) ومرتبطًا عكسيًا بشدة التدخلات غير الصيدلانية ( :-0.85–0.7) (الشكل 4، الأشكال S10-S11). ومع ذلك، لم تستمر هذه العلاقات بعد الانتعاش الأول للفيروس في أوائل يونيو 2020، عندما أعادت مقاطعة كينغ فتح تناول الطعام الداخلي وأعمال إضافية (الأشكال S10-S11).
نظرًا للتغيرات المتزامنة في جميع مقاييس التنقل، لم نتمكن من تمييز آثار المؤشرات الفردية على خلال فترة SAH في سياتل.
لم يتعافى تنقل السكان على الفور بعد رفع أوامر SAH في يونيو 2020 (الأشكال 2-3، الشكل S4). ظل تدفق الزوار من مقاطعات واشنطن الأخرى وولايات الولايات المتحدة منخفضًا عند مستويات أدنى من الخط الأساسي حتى شهور الربيع والصيف من عام 2021، ولم يعد التنقل داخل وبين الأحياء إلى مستويات ما قبل الجائحة بحلول نهاية دراستنا في يونيو 2022 (الأشكال 2-3، الشكل S4). علاوة على ذلك، تسببت أوامر SAH في تغييرات هيكلية طويلة الأمد في شبكة التنقل في سياتل، حيث كانت الأحياء ذات درجة عالية من المركزية (“المراكز”) الأكثر تأثرًا (الشكل 3). بعد مارس 2020، أصبحت الأحياء التي تحتوي على أقل من 10 اتصالات مع أحياء أخرى أكثر انتشارًا بكثير في الشبكة، مما تسبب في
انخفاض عام في الوسيط لدرجة شبكة التنقل لبقية فترة الدراسة (الشكل 3).

تختلف الارتباطات بين انتقال SARS-CoV-2 والسلوك عبر موجات COVID-19

قمنا بقياس الارتباطات المتقاطعة بين انتقال SARS-CoV-2 والتنقل وارتداء الكمامات وشدة NPIs خلال موجات الجائحة اللاحقة في سياتل (الشكل 5). بعد أول حالتين من COVID-19 في ربيع 2020 وصيف 2020، شهدت سياتل موجة ثالثة كبيرة خلال شتاء 2020-2021 على الرغم من ارتفاع معدلات ارتداء الكمامات (الشكل 5). خلال المرحلة المبكرة من النمو الأسي للوباء، تزامنت الزيادات في مع حركة الأقدام إلى الخدمات الدينية والمطاعم (نافذة متحركة سبيرمان : ). خلال بقية الموجة، كانت نسبة الأجهزة التي تغادر المنزل ( : 0.57-0.85)، وتدفق الزوار من مقاطعات واشنطن الأخرى وولايات الولايات المتحدة ( )، وشدة NPIs ( ) تسبق أو تتزامن مع الديناميات في (الشكل 5). كانت هناك موجة أصغر مرتبطة بمتحور ألفا من مارس إلى مايو 2021، خلال تلك الفترة، لم يكن مرتبطًا بشكل كبير بالتنقل (الشكل 5). ارتفعت حالات COVID-19 وعمليات الاستشفاء مرة أخرى في يوليو 2021، بسبب انتشار متحور دلتا شديد العدوى. من يونيو إلى أواخر يوليو 2021، كانت الزيادات في متزامنة مع حركة الأقدام إلى المطاعم، ونسبة الأجهزة التي تغادر المنزل، وتدفق الزوار، ونسبة الأفراد الذين لا يرتدون الكمامات في الأماكن العامة ( : 0.66-0.94) (الشكل 5). تم التعرف على متحور أوميكرون BA. 1 لأول مرة في الولايات المتحدة في 1 ديسمبر 2021، وتم تأكيده في ولاية واشنطن في 4 ديسمبر 2021. مقارنة بالمتحورات السابقة المثيرة للقلق (VOCs)، كان لمتحور أوميكرون BA. 1 زيادة في التهرب المناعي وارتفاع في قابلية الانتقال . في سياتل، كانت الزيادات الطفيفة في التنقل داخل الأحياء وحركة الأقدام إلى محلات البقالة والصيدليات تسبق الزيادة السريعة في حالات أوميكرون خلال ديسمبر 2021 ( : 0.63-0.89)، بينما أدت الانخفاضات في عدة مؤشرات تنقل إلى الانخفاض الحاد في الحالات خلال يناير 2022 (الشكل 5). كانت النماذج العامة البسيطة التي تناسب المرحلة النمو الأسي لكل موجة COVID-19 تحتفظ بنسبة الأجهزة التي تغادر المنزل، ونسبة الأفراد الذين يرتدون الكمامات في الأماكن العامة، وحركة الأقدام إلى المطاعم، أو تدفق الزوار من خارج الولاية (الشكل S12)، على الرغم من أن الارتباطات بين السلوك و كانت غالبًا غير خطية.

تنبؤات التنقل لانتعاش مسببات الأمراض المستوطنة خلال جائحة COVID-19

لاحظنا انتعاشًا سريعًا بشكل ملحوظ لـ hRV، وAdV وEV بدرجة أقل، عندما تم تخفيف قيود SAH في أوائل يونيو 2020 (الشكل 1). كانت الزيادات في انتقال hRV تسبق أو تتزامن مع حركة الأقدام إلى دور رعاية الأطفال، والمطاعم، ومحطات النقل والحركات الكبيرة، بما في ذلك نسبة الأجهزة التي تغادر المنزل، والاختلاط داخل المدينة، وتدفق الزوار من خارج الولاية، من يونيو إلى أوائل أغسطس 2020 (نافذة متحركة سبيرمان : 0.54-0.96؛ الشكل S13)، وكانت مرتبطة عكسيًا بشدة NPIs من أواخر أغسطس إلى أوائل أكتوبر 2020 ( إلى -0.58)، ومرتبطة باستمرار بحركة الأقدام إلى المنظمات الدينية وتدفق الزوار من مقاطعات واشنطن الأخرى حتى أوائل 2021 ( : 0.55-0.97) (الشكل S13). من يونيو إلى أواخر أغسطس 2020، كانت انتعاشة AdV تسبق أو تتزامن مع زيادات طفيفة في حركة الأقدام إلى المدارس والمنظمات الدينية ( : ) وكانت مرتبطة سلبًا بشدة NPIs ( : -0.74 إلى -0.61) (الشكل S13). أخيرًا، كانت EV مرتبطة لفترة وجيزة بمعظم مقاييس التنقل خلال انتعاشها الأولي في يونيو ويوليو 2020 ( : 0.53-0.81؛ الشكل S13). بالنسبة لجميع الفيروسات الثلاثة، كانت النماذج العامة البسيطة التي تناسب الأشهر الستة الأولى من الانتعاش تحتفظ بحركة الأقدام إلى الخدمات الدينية وتدفق الزوار من خارج الولاية (الشكل S14).
لم يتم ملاحظة عودة انتشار الفيروسات المستوطنة الأخرى، بما في ذلك hCoV، hPIV، hMPV، وRSV B، حتى أوائل إلى منتصف 2021، وحدثت ذروات وبائية لـ hCoV، hMPV، وRSV B خلال الربيع أو الصيف خارج مواسمها المعتادة (الشكل 1). قمنا بقياس الارتباطات الأحادية بين التنقل، وارتداء الكمامات، وشدة NPIs، وقابلية الانتقال اليومية ووجدنا عددًا أقل من العلاقات الواضحة مقارنةً
بفترة SAH في سياتل وموسم الشتاء 2019-2020. سبقت عدة مؤشرات تنقل أو تزامنت مع انتعاش هذه الفيروسات (الشكل S15). على سبيل المثال، في بداية انتعاش RSV B في صيف 2021، كانت الزيادات في تسبق الحركة بين الأحياء وحركة الأقدام إلى المدارس، ودور رعاية الأطفال، والخدمات الدينية ( ) وتزامنت مع نسبة الأجهزة التي تغادر المنزل، ونسبة الأفراد الذين لا يرتدون الكمامات في الأماكن العامة، وحركة الأقدام إلى المطاعم، وتدفق الزوار من خارج الولاية ( : 0.57-0.86) (الشكل S15). ومع ذلك، كانت الارتباطات بين التنقل وRSV B أكثر عابرة مقارنةً بفترة ما قبل الجائحة، واستمرت لمدة أشهر (الشكل S15) بدلاً من أشهر (الشكل S8). كانت النماذج العامة البسيطة التي تناسب الأشهر الأولى من انتعاش كل فيروس تحتفظ بالحركة بين الأحياء، وتدفق الزوار من خارج الولاية، أو حركة الأقدام إلى الخدمات الدينية، على الرغم من أن العلاقات بين التنقل و كانت غالبًا غير خطية وليست إيجابية باستمرار (الشكل S16).
في أواخر 2021، انخفض انتشار الفيروسات المستوطنة مع ارتفاع حالات أوميكرون، وكانت الانخفاضات في انتقال الفيروسات المستوطنة تسبق أو تتزامن مع الانخفاضات في التنقل (الأشكال S13، S15، S17). على سبيل المثال، كانت الانخفاضات في معظم مؤشرات التنقل تسبق الانخفاضات في RSV B، hMPV، hCoV، AdV، وhPIV بمدة تتراوح من 1 إلى 4 أسابيع، بينما كانت الزيارات المنخفضة إلى دور رعاية الأطفال، والخدمات الدينية، والمطاعم، والجامعات، ومحطات النقل تتزامن مع الانخفاضات في انتقال hRV (الأشكال S13، S15). كانت معدلات انتقال RSV B، hMPV، hCoV، RV، وAdV مرتبطة أيضًا بنسبة الأجهزة التي تبقى في المنزل، والتي ارتفعت من إلى في ديسمبر 2021 (الشكل 2، الشكل S17). خلال موجة أوميكرون BA. 1، كانت أفضل نماذج GAM البسيطة للفيروسات المستوطنة تحتفظ بمؤشر سلوكي متعلق بالمدرسة، ونسبة الأجهزة التي تغادر المنزل، والحركة بين الأحياء، أو تدفق الزوار من خارج الولاية، مشابهة للنتائج التي لوحظت في موسم 2019-2020 (الشكل S18).

التنبؤ قصير المدى لقابلية الانتقال اليومية باستخدام بيانات التنقل

على الرغم من أن هدف دراستنا كان استنتاجيًا بدلاً من تنبؤيًا، قمنا ببناء نماذج تنبؤية تتوقع قابلية الانتقال اليومية على مدى أسبوع واحد لثلاثة فيروسات كانت تتداول باستمرار طوال فترة الدراسة: hRV، AdV، وSARS-CoV-2 (الأشكال S19-S21؛ انظر “طرق إضافية”). قمنا بتقييم القوة التنبؤية لمقاييس التنقل المستمدة من الهواتف المحمولة، والتداول المشترك للفيروسات الأخرى، والمتغيرات المناخية، بالاشتراك مع النشاط السابق للفيروس المستهدف خلال الأسبوعين الماضيين (14 مصطلحًا ذاتيًا)، مقابل نموذج أساسي يتضمن فقط المصطلحات الذاتية (AR). شمل نموذج إضافي لـ SARS-CoV-2 يمتد من 2021-2022 متغيرات لتغطية التطعيم وظهور المتحورات (الشكل S22).
بالنسبة لكل فيروس، أنتجت النماذج التي تشمل التنقل ومصطلحات AR توقعات دقيقة عمومًا على مدار فترة الدراسة بأكملها (RMSE: hRV: 0.013؛ AdV: 0.04؛ SARS-CoV-2: 0.03؛ الجدول S3)، وخاصة خلال أوامر البقاء في المنزل في سياتل ورفع القيود الأولي (RMSE: hRV: 0.006؛ AdV: 0.02؛ SARS-CoV-2: 0.02؛ الجدول S4). عند التنبؤ بـ SARS-CoV-2 خلال الفترة من 2021 إلى 2022، لم تحسن المتغيرات المرتبطة بالتطعيم ودوران المتغيرات دقة النموذج، ولكن النماذج التي تشمل التنقل حققت تحسينًا بنسبة 13% في جذر متوسط الخطأ التربيعي للتنبؤ مقارنة بالنموذج الأساسي (الجدول S5). عند تقييم دقة النموذج على مدار فترة الدراسة بأكملها، لم تتفوق النماذج التي تشمل التنقل أو المتغيرات المناخية أو التداخل الفيروسي على النماذج الأساسية لأي من الفيروسات الثلاثة (الأشكال S19-S21؛ الجدول S3). وبالتالي، على الرغم من أن بيانات التنقل يمكن أن توفر فوائد صغيرة إلى متوسطة لدقة التنبؤ، إلا أن المعلومات الإضافية التي تقدمها حركات السكان السابقة محدودة مقارنةً بمعرفة حدوث المرض في الماضي. .

نقاش

قمنا بدراسة تأثيرات السلوك البشري على انتقال الفيروسات التنفسية في منطقة سياتل الكبرى خلال الفترة السابقة واللاحقة لـ
سنوات الوباء من خلال نمذجة الحدوث المستمد من المراقبة التنفسية المستندة إلى المستشفيات والمجتمعات وحركة البشر من بيانات موقع الأجهزة المحمولة عالية الدقة. من نوفمبر 2018 إلى يونيو 2022، قمنا بتوصيف الديناميات الوبائية لـ 17 فيروسًا متوطنًا و SARS-CoV-2 والتغيرات ذات الصلة في قابلية الانتقال اليومية (أرقام التكاثر الفعالة المتغيرة مع الزمن، ) إلى الاتجاهات في حركة السكان، واستخدام الكمامات، والتدخلات غير الدوائية المتعلقة بكوفيد-19 (NPIs). حسب علمنا، هذه هي الدراسة الأولى التي تستكشف آثار الحركة والسلوك على انتقال مجموعة كبيرة من مسببات الأمراض المستوطنة؛ ومن المثير للاهتمام، أننا لاحظنا تباينًا ملحوظًا في توقيت وحجم انتعاش كل مسبّب مرض مستوطن خلال فترة الجائحة.
كانت الحركة الأكثر توقعًا لانتقال العدوى خلال فترات التغيير السلوكي الدراماتيكي، كما لوحظ خلال أوامر البقاء في المنزل في سياتل في مارس 2020. كما أن التغيرات الصغيرة في الحركة سبقت أو تزامنت مع الزيادات في في بداية التفشي ومع الانخفاضات في خلال الانقطاعات القصيرة لحركة البشر، كما لوحظ خلال عاصفة ثلجية كبيرة في فبراير 2019 وموجة أوميكرون BA.1 في أواخر 2021. عبر جميع الفيروسات المستوطنة، كانت الاتجاهات في اليومية تم ربطها بشكل متكرر بنفس مجموعة من مقاييس التنقل، بما في ذلك حركة المشاة إلى المدارس الابتدائية والثانوية، والكليات، ومراكز رعاية الأطفال، والمنظمات الدينية، ونسبة الأجهزة التي تغادر المنزل، والحركة بين الأحياء، وتدفق الزوار من مقاطعات واشنطن الأخرى وولايات الولايات المتحدة. بعد فترة البقاء في المنزل، ارتبط انتقال فيروس SARS-CoV-2 بحركة المشاة إلى المطاعم، والمنظمات الدينية، والكليات، ونسبة الأجهزة التي تغادر المنزل، وتدفق الزوار. قد تشير حركة المشاة إلى أعمال معينة والأنشطة التعليمية والدينية إلى اتصالات وثيقة أو ظروف مزدحمة تسهل الانتقال المباشر أو عبر الرذاذ أو القطرات، بينما قد تشير نسبة الأجهزة التي تغادر المنزل، والاختلاط داخل المدينة، والتدفق من مناطق أخرى إلى تحركات بشرية تعزز إدخال الفيروس وانتشاره.
قد يفسر توزيع أعمار الإصابات الفروق الطفيفة في الفئات التي ارتبطت بانتقال الفيروس المستوطن مقابل انتقال فيروس SARS-CoV-2. الارتباطات المتكررة بين الفيروس المستوطن وزيارات المدارس ورياض الأطفال تتماشى مع الأطفال الذين يعانون من أعلى معدلات (العدوى التنفسية المستوطنة) وتعمل المدارس ورياض الأطفال كمصدر رئيسي لانتقال العدوى في المجتمع. . على عكس الفيروسات التنفسية المستوطنة، فإن جميع الفئات العمرية معرضة للإصابة بفيروس SARS-CoV-2. هناك علاقات بين SARS-CoV-2 ويمكن أن يُعزى تدفق الزوار إلى الكليات والمنظمات الدينية والمطاعم، ولكن ليس المدارس أو دور الرعاية النهارية، إلى ارتفاع معدلات العدوى العرضية (ومن ثم ميل الإخراج) لدى البالغين مقارنة بالمجموعات العمرية الأصغر. أو إلى الأهمية الأكبر للشبكات البالغة في انتشار SARS-CoV-2 مقارنةً بالفيروسات المستوطنة.
أثرت التدابير غير الصيدلانية المتعلقة بكوفيد-19 بشكل كبير على انتقال مسببات الأمراض التنفسية على مستوى عالمي. ، مما تسبب في الاختفاء التام، أو العودة المتأخرة، أو تفشي الأمراض المتوطنة في “غير موسمها” في سياتل، شهدت جميع الفيروسات التنفسية المستوطنة انخفاضات سريعة في بداية أوامر البقاء في المنزل في سياتل في مارس 2020، ولكن مع تخفيف القيود، كان انتعاشها غير متجانس. مشابهة للاتجاهات التي لوحظت في الولايات المتحدة ودول أخرى. استؤنفت دورة فيروس الهربس البشري (hRV) وفيروس الإيف (EV) وفيروس الأدينو (AdV) في أوائل يونيو 2020، مباشرة بعد إعادة فتح الأعمال غير الأساسية وتناول الطعام في الأماكن المغلقة، بينما اختفت الفيروسات التنفسية الأخرى تقريبًا خلال مارس 2020 ولم تعاود الانتشار حتى عام 2021. علاوة على ذلك، حدثت عودة فيروس RSV B وفيروس كورونا البشري (hCoV) وفيروس الجهاز التنفسي المخلوي البشري (hMPV) خارج مواسمها المعتادة، كما تم الإبلاغ عنه في مواقع أخرى. . بعد التخفيف الأولي لقيود COVID-19، كانت العلاقات بين ديناميات الفيروس المستوطن والتنقل أقل وضوحًا مقارنةً بأوامر SAH في سياتل أو موسم الشتاء 2019-2020، ربما بسبب استمرار التباعد الاجتماعي وارتداء الكمامات، وفهم أكثر دقة للأنشطة “عالية المخاطر”، وتأجيل التعليم الشخصي لطلاب المدارس حتى ربيع 2021، أو التغيرات الهيكلية في شبكة التنقل في سياتل. ومع ذلك، كانت هناك ارتباطات بين
فيروس متوطن وكان سلوك السكان بشكل عام أقوى وأطول أمداً من تلك التي لوحظت بالنسبة لسارس-CoV-2.
من الملحوظ أن الفيروسات الثلاثة التي انتعشت فور رفع قيود الإغلاق، وهي فيروس الهربس البشري (hRV) وفيروس الإيكو (EV) وفيروس الأدينو (AdV)، هي فيروسات غير مغلفة، بينما الفيروسات الأخرى المدروسة هنا هي فيروسات مغلفة. يمكن أن يُعزى الانتعاش الفوري للفيروسات غير المغلفة إلى استقرار الفيروسات واستمراريتها. الفيروسات غير المغلفة أقل عرضة للتعقيم الليبيدوفيلي ويمكن أن تستمر على اليدين والأسطح لفترات أطول من الفيروسات المغلفة. بالإضافة إلى وجود أو عدم وجود غلاف، يمكن أن تؤثر عدة عوامل أخرى، مثل وضع النقل، الموسمية، ديناميات المصدر/المصب، ومدة فترة العدوى والمناعة، على توقيت الانتعاش. بينما اختفت الفيروسات المغلفة في مارس 2020، قد تكون الفيروسات غير المغلفة قد استمرت في الانتشار خلال قيود SAH، بسبب فترات إفراز الفيروس الأطول، والانتشار العالي المسبق في المجتمع، أو القدرة على البقاء على الأسطح البيئية. نفترض أن المستويات المنخفضة من الانتقال أو الجزيئات الفيروسية المتبقية على الأسطح، جنبًا إلى جنب مع الزيادات الطفيفة في الحركة، والاتصالات القريبة، وتدفق الزوار، كانت كافية لتسهيل الانتعاش السريع والانتقال المستمر لفيروسات الهربس (hRV) وفيروسات الإيكو (EV) وفيروسات الأدينو (AdV) بعد رفع أوامر الإغلاق في يونيو 2020. علاوة على ذلك، فإن الأقنعة الجراحية أقل فعالية في تصفية فيروس الهربس مقارنة بفيروسات الإنفلونزا والفيروسات التاجية الموسمية. .
تشمل فترة دراستنا موسمي الفيروسات التنفسية قبل بدء جائحة كوفيد-19 وسنتين من الجائحة. بدأت دراسة إنفلونزا سياتل (SFS) جمع العينات في نوفمبر 2018، مما حال دون تقييمنا لمؤشرات محتملة لانتقال العدوى في بداية موسم 2018-2019. ومع ذلك، تمكنا من اكتشاف روابط قوية بين التنقل وانتقال العدوى في فبراير 2019 عندما أجبرت عاصفة ثلجية كبيرة على إغلاق الأعمال والمدارس، وهو ما يتماشى مع أبحاث SFS السابقة التي لم تفحص أنماط تنقل الهواتف المحمولة بشكل محدد. استمرت SFS في جمع عينات الجهاز التنفسي طوال عام 2019، مما مكننا من اختبار المؤشرات الرائدة للانتقال خلال موسم الشتاء 2019-2020. خلال خريف 2019، كانت ديناميات انتقال الفيروسات المغلفة مرتبطة بشكل أقوى بالحركة مقارنة بتلك الخاصة بالفيروسات غير المغلفة. بالنسبة للفيروسات المغلفة، كانت حركة الأقدام إلى المدارس والكليات، والتنقل بين الأحياء، وتدفق الزوار تسبق أو تتزامن مع الزيادات في الانتقال، مع وجود ارتباطات بين وضعف الحركة على مدار الموسم، على الأرجح بسبب تراكم المناعة في السكان. خلال هذه الفترة نفسها، كانت الفيروسات غير المغلفة لديها علاقات إيجابية أقل مع الحركة، ربما لأن الفيروسات التنفسية البشرية (hRV) والفيروسات المعوية (EV) والفيروسات الغدية (AdV) تنتشر على مدار السنة ولديها قمم وقيعان أقل تحديدًا.
بدأ فيروس SARS-CoV-2 بالتداول في منطقة سياتل الكبرى خلال يناير أو فبراير. تم تأكيد أول حالة مكتسبة من المجتمع في 28 فبراير 2020. كان للحركة علاقة سلبية ومتأخرة مع SARS-CoV-2. خلال الأشهر الأولى من عام 2020، مما يشير إلى أن سكان سياتل عدلوا سلوكهم استجابةً لعدد حالات COVID-19 أو القيود بدلاً من العكس. هذه النتيجة تتماشى مع تحليل شامل لمقاطعات الولايات المتحدة، والذي وجد أن ليس جميع المدن الكبرى (مثل سان فرانسيسكو) شهدت ارتباطات إيجابية قوية بين التنقل ومعدلات نمو العدوى خلال الموجة الأولى. تحذير هو أن كانت التقديرات خلال هذه الفترة من المحتمل أن تكون متحيزة نحو الزيادة بسبب انخفاض عدد الحالات، والانحياز في العينة، والزيادات السريعة في قدرة الاختبار، وقد لا تكون قد التقطت تمامًا حدة الانخفاضات في انتقال العدوى بعد تنفيذ التدابير غير الصيدلانية. للتخفيف من هذه المشكلة، قمنا بتقييد SARS-CoV-2 تقديرات للتواريخ بعد 28 فبراير 2020، عندما تم اكتشاف أول حالة مكتسبة من المجتمع وتجاوزت الحالات المؤكدة التراكمية 50. كما قمنا بتطبيق نوافذ تنعيم مركزة على أعداد الحالات، التقديرات ومؤشرات التنقل بحيث تعكس الارتباطات المتبادلة إشارات واسعة تم توجيهها بدقة في الزمن . بعد مارس 2020، كانت الحركة تنبؤية بشكل مؤقت لانتقال فيروس SARS-CoV-2 عندما تم تخفيف قيود التباعد الاجتماعي لأول مرة في صيف 2020 وخلال
شتاء 2020-2021، موجات دلتا وأوميكرون BA.1، على الرغم من أن العلاقات كانت أقل وضوحًا مقارنةً بفترة البقاء في المنزل.
يؤثر المناخ على استقرار الديناميات الموسمية للفيروسات التنفسية لكن كان سائقًا غير محتمل لعودة الفيروس المتوطن في سياتل. الفيروسات التنفسية البشرية، وفيروسات المعوية، وفيروسات الأدينو تنتشر على مدار السنة مع ذروات في الربيع وأواخر الصيف أو أوائل الخريف. بينما تتمتع فيروسات الإنفلونزا، RSV، hCoV، hMPV، وhPIV بموسمية مميزة مع ذروات خلال فصل الشتاء أو الربيع. تزامن رفع أوامر SAH في يونيو 2020 مع التوقيت المعتاد لانخفاض انتشار الفيروسات المغلفة وزيادة النشاط للفيروسات غير المغلفة. ومع ذلك، لا يمكن أن يُعزى تقاطع تخفيف التدابير غير الصيدلانية مع الطقس الأكثر دفئًا إلى الفروق العالمية الملحوظة بين انتعاش الفيروسات غير المغلفة والمغلفة. كما تم الإبلاغ عن الغياب المطول لدوران الإنفلونزا وRSV خلال شتاء نصف الكرة الجنوبي. ، ولا يمكن للعوامل المناخية أن تفسر الانتعاش لـ و RSV B خارج مواسمه المعتادة.
تشير نتائجنا إلى أن التعليم المدرسي الشخصي لعب دورًا رئيسيًا في انتعاش الفيروسات المغلفة في سياتل. أظهرت الأبحاث السابقة أن زيادة معدلات الاتصال بين الأطفال الأكبر سنًا خلال فترات الدراسة تؤثر على توقيت تفشي الإنفلونزا الموسمية وفيروسات “البرد الشائع”. ، ويكتسب الأطفال الأصغر سناً والبالغون عدوى الإنفلونزا وفيروس RSV من الأطفال في مرحلة ما قبل المدرسة أو الأطفال في سن المدرسة الذين يعيشون في نفس المنزل بدأت جميع مناطق المدارس العامة في مقاطعة كينج العام الدراسي 2020-2021 عن بُعد. ، حيث قدمت بعض المناطق تعليمًا شخصيًا محدودًا لطلاب التعليم الخاص خلال خريف 2020. كان عدد الزوار إلى المدارس أقل بنسبة 75% من المستوى الأساسي في خريف 2020، وزاد تدريجيًا إلى أقل من المستوى الأساسي خلال ربيع 2021، وعاد إلى مستويات الأساس في خريف 2021. لاحظنا أن انتشار hCoV وhPIV وhMPV زاد بعد أن تم تقديم التعليم الشخصي لطلاب المدارس الابتدائية في فبراير ومارس 2021 وأن موجة RSV B خارج الموسم في صيف 2021 بدأت مباشرة بعد أن أصبح التعلم الهجين متاحًا لجميع الصفوف في منتصف أبريل. تشير هذه الاتجاهات إلى أن عامًا من التعلم عن بُعد، وبالتالي تقليل الاتصالات بين الأطفال في سن المدرسة، ساهم في تأخير عودة انتشار الفيروس المغلف إلى سياتل.
تزامن انتعاش الفيروسات المغلفة أيضًا مع زيادة معدلات السفر إلى سياتل. تُزرع الأوبئة السنوية للإنفلونزا في أمريكا الشمالية عبر السفر الجوي بواسطة سلالات تنشأ في شرق وجنوب شرق آسيا. وانتشار فيروسات الإنفلونزا على المستوى الإقليمي يرتبط ارتباطًا وثيقًا بالتنقلات اليومية للعمل لم يكن لدينا بيانات عن السفر الجوي الدولي أو أنماط التنقل، لكن بيانات الهواتف المحمولة تظهر أن تدفق الزوار من مقاطعات واشنطن الأخرى وولايات الولايات المتحدة كان أقل من المستوى الأساسي طوال عام 2020 ولم يعد إلى مستويات ما قبل الجائحة حتى أواخر الربيع أو صيف 2021. على الرغم من أن مساهمة الاستمرارية المحلية مقابل البذر الخارجي أقل فهمًا بالنسبة لفيروسات الجهاز التنفسي الموسمية الأخرى، فإن الزيادة في التدفق إلى سياتل من المحتمل أن تكون قد استوردت حالات من مناطق أخرى، مما أدى إلى بذر تفشيات جديدة. .
أخيرًا، من المتوقع أن يؤدي نقص التعرض المطول بسبب انخفاض انتشار الفيروسات خلال عامي 2020 و2021 إلى زيادة عدد الأطفال الذين لم يتعرضوا على الإطلاق لمختلف الفيروسات التنفسية وتراجع المناعة لدى الأفراد الذين أصيبوا سابقًا. قد يكون هذا “دين المناعة” قد وفر عددًا كافيًا من الأفراد القابلين للإصابة للحفاظ على تفشي الفيروسات المغلفة في الربيع والصيف. على الرغم من أننا توقعنا أن تكون هذه التفشيات أكبر أو أكثر شدة من تلك التي لوحظت خلال مواسم ما قبل الجائحة، إلا أن وباء الإنفلونزا وRSV الكبير لم يحدث حتى خريف 2022، ربما بسبب استمرار سكان سياتل في التباعد الاجتماعي وارتداء الكمامات طوال عام 2021 أو التداخل السلبي بين فيروسات أوميكرون BA.1 والفيروسات المستوطنة خلال موسم الشتاء 2021-2022. بعد انتهاء دراستنا، شهد موسم 2022-2023 تفشيًا مبكرًا غير عادي للإنفلونزا وRSV ومعدلات دخول المستشفى أعلى في الأطفال والمراهقين مقارنة بمواسم ما قبل الجائحة. .
تحتوي هذه الدراسة على قيود تتعلق بنوع بيانات تنقل الهواتف المحمولة المستخدمة، ونطاقها الجغرافي، والأسس التي تستند إليها.
التركيبة السكانية لبيانات الأجهزة المحمولة بشكل عام. يعاني الأطفال الصغار من أعلى معدلات العدوى التنفسية المستوطنة، لكن SafeGraph لا تتعقب الأفراد الذين تقل أعمارهم عن 16 عامًا. ومع ذلك، وجدنا أن الزيارات إلى المدارس ورياض الأطفال كانت مؤشرات إيجابية على انتقال العدوى، سواء قبل أو خلال الجائحة، مما يوضح أن بيانات الهواتف المحمولة المجمعة من البالغين يمكن أن تقارب تحركات أو اتصالات الأطفال. ثانياً، العلاقات بين تنقل الهواتف المحمولة وانتقال العدوى أضعف في المناطق ذات الكثافة السكانية المنخفضة. ، بسبب الاختلافات في عملية توليد البيانات والتمثيل بين المواقع الحضرية والريفية. نظرًا لأن دراستنا محدودة بمنطقة حضرية واحدة، قد لا تكون نتائجنا قابلة للتطبيق على المقاطعات الريفية. ثالثًا، على الرغم من أننا وجدنا ارتباطات ذات دلالة إحصائية بين أنماط الحركة المجمعة وانتقال العوامل الممرضة، قد يكون التواجد المكاني للأجهزة المحمولة أفضل في تقريب الاتصالات بين الأفراد التي تكمن وراء الانتقال. على الرغم من أننا كنا نود دمج مقياس التواجد المكاني في تحليلنا، في وقت كتابة هذا النص، تم إيقاف مجموعة بيانات خريطة التواجد من Meta Data for Good لفترة دراستنا، ولم نكن نعرف عن مجموعات بيانات المواقع المكانية الأخرى المتاحة للجمهور. أخيرًا، يمكن أن توفر الاستطلاعات الطولية المقطعية حول التفاعلات الاجتماعية، مثل استطلاع CoMix في إنجلترا، مقاييس أكثر مباشرة للسلوكيات ذات الصلة وبائية وعينات أكثر تمثيلاً من السكان مقارنة ببيانات الأجهزة المحمولة. . ومع ذلك، حسب علمنا، لا توجد بيانات مماثلة للولايات المتحدة.
نتائجنا تخضع لقيود أخرى. أولاً، بسبب العدد المحدود من المواسم في دراستنا، لم نتمكن من تحديد ما إذا كانت المؤشرات الرائدة للانتقال متسقة عبر فترات زمنية أطول من أربع سنوات. على الرغم من أن SFS استمرت في إجراء المراقبة التنفسية خلال موسم الشتاء 2022-2023، إلا أن نهج المراقبة المجتمعية قد تغير بشكل كبير بعد يوليو 2022، مما جعل من الصعب توسيع دراستنا. ثانياً، تسبب تباين حجم الاختبارات على مر الزمن في أن مراقبة SFS أحياناً كانت تفوت مسببات الأمراض الأقل انتشاراً. على سبيل المثال، اكتشفت SFS فقط عددًا قليلاً من الحالات خلال موجة صغيرة من الإنفلونزا A/H3N2 في ربيع 2022. ثالثاً، لم يتمكن اختبار PCR المتعدد لدينا من التمييز بين الأنواع والسلالات أو الأنماط المصلية لبعض مسببات الأمراض (hCoV، hPIV، AdV، EV، وhRV). وبالتالي، فإننا قد تتوسط التقديرات على التباينات في ديناميات الانتقال بين الفيروسات التي تنتمي إلى نفس النوع. رابعًا، أظهرت الأعمال السابقة أن ديناميات انتقال فيروس SARS-CoV-2 اختلفت بين شمال وجنوب مقاطعة كينغ. من المحتمل أن يكون ذلك بسبب الفوارق الاجتماعية والاقتصادية (مثل الاختلافات في الدخل، وحجم الأسرة، ونسبة العمال الأساسيين) واحتفاظ شمال مقاطعة كينغ بتقليص أكبر في الحركة على مر الزمن. ومع ذلك، لم يكن لدينا بيانات مراقبة كافية لاستكشاف الفروق الجغرافية في ديناميات انتقال الفيروسات المستوطنة. خامسًا، قد تؤثر مناعة السكان على العلاقات بين الحركة والانتقال؛ يمكن أن تسلط تحليل البيانات المصلية الضوء على هذا السؤال. هناك حاجة إلى مزيد من البحث لتحديد مساهمات السكان الذين أصبحوا أكثر عرضة للإصابة وتناقص التباعد الاجتماعي في انتعاش الفيروسات المستوطنة.
باختصار، أنماط التنقل هي الأكثر توقعًا لانتقال الفيروسات التنفسية خلال التغيرات الجذرية في الاتصالات، وإلى حد أقل، في بداية موجات الوباء. خلال فترة الجائحة، أظهرت الفيروسات التنفسية المستوطنة علاقات أقوى مع التنقل مقارنةً بفيروس SARS-CoV-2 الوبائي. مع انتقال SARS-CoV-2 إلى الاستوائية، يمكن أن تبدأ العلاقات مع التنقل في العمل بشكل مشابه لتلك الخاصة بالفيروسات المغلفة الأخرى. تُظهر دراستنا أن بيانات الهواتف المحمولة يمكن أن تقارب الاتصالات ذات الصلة بالانتقال ولها القدرة على دعم مراقبة الفيروسات التنفسية المستوطنة، مع التحذير من أن العلاقات بين الانتقال والتنقل تختلف اعتمادًا على العامل المسبب، وحجم تغيير التنقل، ومرحلة الوباء. يجب أن تأخذ الأبحاث المستقبلية في الاعتبار عوامل مضيفة أخرى، مثل المناعة السابقة، ومؤشرات أكثر مباشرة للتواصل بين الأفراد لفك الارتباط بشكل أكبر.
العلاقات بين سلوك السكان وديناميات الفيروسات التنفسية.

طرق

المراقبة الفيروسية وطرق المختبر

تستخدم هذه الدراسة على مستوى السكان بيانات المراقبة المقطعية التي تم جمعها من خلال دراسة إنفلونزا سياتل (SFS) من نوفمبر 2018 إلى يونيو 2022. بدأت SFS في نوفمبر 2018، وكانت دراسة مراقبة متعددة الأذرع للإنفلونزا وغيرها من مسببات الأمراض التنفسية في منطقة سياتل الكبرى بواشنطن، والتي استخدمت عينات من المجتمع والمستشفيات. في أول 1.5 سنة، تتبعت SFS انتقال الإنفلونزا وغيرها من مسببات الأمراض التنفسية في منطقة سياتل من خلال اختبار المسحات المجمعة في المستشفيات، والمواقع المجتمعية (مثل الأكشاك في المناطق ذات الحركة العالية، والعيادات الخارجية، وأماكن العمل، وحرم الجامعات)، ومن خلال دراستها لاختبار المسحات وإرسالها من المنزل. (الجدول S2). أطلق فريق SFS شبكة تقييم فيروس كورونا الكبرى في سياتل (SCAN) في مارس 2020 للكشف عن وفهم انتشار فيروس SARS-CoV- قامت SCAN بنشر مجموعات اختبار ذاتي الإدارة للاستخدام المنزلي لمراقبة انتشار كل من SARS-CoV-2 والفيروسات التنفسية المستوطنة من مارس 2020 إلى يوليو 2022. تم جمع المعلومات الصحية المحمية (PHI) من المشاركين في الدراسة والمرضى الذين قدموا عينات متبقية من خلال مشاريع REDCap التي أنشأها معهد علوم الصحة الانتقالية (ITHS). نحن نصف كل ذراع من ذراعي المراقبة في الطرق التكميلية.
تم فحص كل عينة تنفسية مرتين لوجود مجموعة من مسببات الأمراض التنفسية باستخدام لوحة TaqMan RT-PCR OpenArray مخصصة (ثيرمو فيشر) تم وصف طرق المختبر بالتفصيل في مكان آخر شملت أهداف العوامل الممرضة فيروس الأدينو (AdV)؛ فيروس البوكافيروس البشري (hBoV)؛ الفيروسات التاجية البشرية (hCoV) 229E، OC43، HKU1، وNL63؛ الفيروسات الميتابنومونية البشرية (hMPV)؛ الفيروسات البشرية المسببة للإنفلونزا (hPIV) 1، 2، 3، و4؛ الفيروسات البشرية الباراشي (hPeV)؛ إنفلونزا A (IAV) H1N1 وH3N2؛ إنفلونزا A الشاملة (IAV)؛ إنفلونزا B الشاملة (IBV)؛ إنفلونزا C الشاملة (ICV)؛ الفيروسات التنفسية المخلوية (RSV) A وB؛ الفيروسات الأنفية البشرية (hRV)؛ الفيروس المعوي D68 (EV.D68)؛ الفيروسات المعوية الشاملة باستثناء D68 (EV)؛ الحصبة؛ النكاف؛ المكورات الرئوية (SPn)؛ الميكوبلازما الرئوية (MPn)؛ الكلاميديا الرئوية (CPn)؛ وSARS-CoV-2 (الجدول S1). لكي يتم تصنيف العينة على أنها إيجابية لهدف معين، يجب أن تكون كلتا النسختين إيجابيتين في اختبارات RT-PCR المكررة. بسبب قيود الاختبار، تم تجميع السلالات المتميزة وبائياً في اختبار واحد لكل من hCoV 229E وhCoV OC43، hCoV HKU1 وhCoV NL63، hPIV 1 وhPIV 2، hPIV 3 وhPIV 4، EV، hRV، وAdV. من المحتمل أن يتكون hPIV 3 من معظم hPIV. الحالات لأن عدوى hPIV 4 تُكتشف بشكل نادر وتميل إلى أن تكون خفيفة أو بدون أعراض .
استبعدنا hBoV و hPeV و MPn و CPn من التحليل اللاحق لأن المجسات لهذه العوامل الممرضة تمت إزالتها من لوحة OpenArray المخصصة لدينا في عام 2020. كما استبعدنا ICV و EV.D68 والحصبة والنكاف لأن هذه العوامل الممرضة لم يكن لديها عدد كافٍ من العينات الإيجابية لتقدير الحدوث اليومي (< 200 إيجابية من 2018 إلى 2022). تم اختبار عدد كبير من العينات إيجابيًا لـ SPn، وهو كائن حي شائع، حيث تم اكتشاف SPn في 26.7% من العينات الإيجابية قبل مارس 2020 و 18.5% من العينات الإيجابية بعد مارس 2020 (الشكل S2). اخترنا عدم تضمين SPn في التحليل اللاحق بسبب عدم قدرتنا على تمييز العدوى الحادة عن الحمل المزمن.
تم تنفيذ جميع عمليات معالجة البيانات وتحليلها في المنبع باستخدام إصدار ما لم يُذكر خلاف ذلك.

بيانات المراقبة السريرية

لقد حصلنا على بيانات المراقبة الوبائية التنفسية لمقاطعة كينغ، واشنطن من برنامج شبكة المعلومات الصحية السريعة (RHINO) في وزارة الصحة بواشنطن (WA DOH) (الشكل S23)، ومن ولاية واشنطن من شبكة مراقبة الأمراض الشبيهة بالإنفلونزا للمرضى الخارجيين التابعة لمراكز السيطرة على الأمراض والوقاية منها في الولايات المتحدة (ILINet). معايير المتلازمة موصوفة في الطرق التكميلية.

بيانات حول تنقل الهواتف المحمولة، وارتداء الكمامات، وشدة التدخلات غير الدوائية

لقد حصلنا على بيانات موقع الأجهزة المحمولة من SafeGraph (https:// safegraph.com/), شركة بيانات تجمع بيانات الموقع المجهولة من 40 مليون جهاز، أو حوالي من سكان الولايات المتحدة، لقياس حركة الزوار إلى أكثر من 6 ملايين مكان مادي (نقاط الاهتمام) في الولايات المتحدة. قمنا بتقدير حركة الزوار إلى نقاط الاهتمام المحددة، والحركة داخل وبين مجموعات الكتل السكانية، وتدفق الزوار المقيمين خارج مقاطعة كينغ من نوفمبر 2018 إلى يونيو 2022، باستخدام مجموعة بيانات “أنماط أسبوعية” من SafeGraph، التي توفر عدداً أسبوعياً لإجمالي عدد الأجهزة الفريدة التي تزور نقطة اهتمام من موقع منزلي معين. نقاط الاهتمام هي مواقع ثابتة، مثل الأعمال التجارية أو المعالم السياحية. تشير “الزيارة” إلى أن جهازاً ما دخل المبنى أو المحيط المكاني المحدد كنقطة اهتمام. يتم تعريف “موقع المنزل” لجهاز ما على أنه مجموعة الكتل السكانية (CBG) الشائعة له في الليل (18:00-7:00) خلال الأسابيع الستة المتتالية الماضية. قمنا بتقييد مجموعات البيانات الخاصة بنا إلى نقاط اهتمام مقاطعة كينغ التي تم تسجيلها في مجموعة بيانات SafeGraph منذ يناير 2019. تم استيراد بيانات SafeGraph ومعالجتها باستخدام حزمة SafeGraphR. .
لقياس الحركة داخل وبين مناطق التعداد السكاني (“الأحياء”) في مقاطعة كينغ، قمنا باستخراج منطقة التعداد السكاني المنزلية للأجهزة التي تزور نقاط الاهتمام (POIs) وقمنا بتقييد مجموعة البيانات بالأجهزة التي لديها مواقع منزلية في منطقة التعداد السكاني الخاصة بنقطة الاهتمام المعطاة (حركة داخل الحي) أو التي لديها مواقع منزلية في مناطق التعداد السكاني خارج منطقة التعداد السكاني الخاصة بنقطة الاهتمام المعطاة (حركة بين الأحياء). لقياس تدفق الزوار من مقاطعات أخرى في ولاية واشنطن أو من خارج الولاية، قمنا بتقييد مجموعة البيانات بالأجهزة التي تزور نقاط الاهتمام في مقاطعة كينغ ولديها مواقع منزلية في مقاطعات أخرى في واشنطن أو في ولايات أمريكية أخرى، على التوالي. لقياس حركة الزوار إلى فئات محددة من نقاط الاهتمام، قمنا بتجميع الزيارات اليومية إلى نقاط الاهتمام حسب فئة نظام تصنيف الصناعة في أمريكا الشمالية (NAICS) دون النظر إلى المواقع المنزلية للأجهزة التي تزور هذه النقاط. لتعديل التباين في حجم لوحة الأجهزة في SafeGraph على مر الزمن، قمنا بقسمة حجم سكان التعداد في واشنطن على عدد الأجهزة في لوحة SafeGraph التي لديها مواقع منزلية في ولاية واشنطن كل شهر وضربنا عدد الزوار اليوميين أو الأسبوعيين بتلك القيمة. لكل مؤشر من مؤشرات الحركة، قمنا بجمع الزيارات اليومية أو الأسبوعية المعدلة عبر نقاط الاهتمام وقمنا بقياس نسبة التغير في الحركة على مر الزمن بالنسبة للحركة المتوسطة التي لوحظت في جميع أنحاء عام 2019، باستثناء العطلات الوطنية.
تم الحصول على بيانات يومية حول نسبة الأجهزة التي تبقى في المنزل في مقاطعة كينغ من مقاييس التباعد الاجتماعي الخاصة بـ SafeGraph وخرائط نطاق الحركة من Meta Data for Good. كانت مقاييس التباعد الاجتماعي من SafeGraph متاحة من 1 يناير 2019 إلى 16 أبريل 2021، وكانت خرائط نطاق الحركة من Meta متاحة من 1 مارس 2020 إلى 22 مايو 2022. كانت الاتجاهات في نسبة الأجهزة التي تبقى في المنزل متطابقة تقريبًا عبر مصدرين البيانات، على الرغم من أن نسبة الأجهزة التي تبقى في المنزل في مجموعة بيانات Meta كانت أقل من تلك التي لوحظت في مجموعة بيانات SafeGraph (الشكل S24). أضفنا عامل قياس إلى مؤشر Meta ودمجنا سلسلتي الزمن لإنشاء مقياس واحد لفترة دراستنا (الشكل S24). لتقليل الضوضاء، قمنا بتنعيم سلسلة الزمن المشتركة باستخدام متوسط متحرك مركزي لمدة 7 أيام.
لقد حصلنا على بيانات استقصائية حول النسبة اليومية لسكان مقاطعة كينغ الذين يرتدون الكمامات في الأماكن العامة من واجهة برمجة تطبيقات COVIDcast لمجموعة دلفي بجامعة كارنيجي ميلون. تم جمع بيانات التمويه كجزء من مسح اتجاهات وتأثيرات COVID-19 الذي أجرته مجموعة دلفي بالتعاون مع ميتا ومجموعة من الجامعات ومسؤولي الصحة العامة. استمر الاستطلاع بشكل مستمر من 6 أبريل 2020 إلى 25 يونيو 2022، بمشاركة حوالي 40,000 فرد في الولايات المتحدة يوميًا. تضمن الاستطلاع أسئلة محددة حول ارتداء الكمامات من 8 سبتمبر 2020 إلى 25 يونيو 2022. قمنا بتعزيز بيانات ارتداء الكمامات في مقاطعة كينغ من COVIDcast ببيانات استطلاع COVIDNearYou لولاية واشنطن. لتمديد سلسلة الزمن إلى 2 يونيو 2020.
قمنا باستخراج البيانات التي تم جمعها بواسطة متتبع استجابة الحكومة لفيروس كورونا في أكسفورد (OxCGRT) لقياس التباين في سياسات حكومة ولاية واشنطن المتعلقة بـ COVID-19 من 1 مارس 2020 إلى 30 يونيو 2022. تتبع قاعدة بيانات OxCGRT المعلومات المتاحة للجمهور بشأن السياسات المتعلقة بالإغلاق والاحتواء، والصحة، والسياسة الاقتصادية في 180 دولة، مسجلة استجابات السياسات على مقاييس ترتيبية أو مستمرة لـ 19 مجال سياسة. حصلنا على قيم يومية لمؤشر الصرامة (الشكل 1)، الذي يجمع جميع مؤشرات الاحتواء والإغلاق (C1-C8: إغلاق المدارس والجامعات، إغلاق أماكن العمل، إلغاء الفعاليات العامة، قيود على التجمعات، إغلاق وسائل النقل العامة، أوامر البقاء في المنزل، قيود على الحركة الداخلية، وقيود على السفر الدولي) ومؤشر H1 (حملات المعلومات العامة). يعتمد مؤشر صرامة أكسفورد على تفويضات السياسات السارية على مر الزمن ولا يقيس التنفيذ الفعلي للتدخلات غير الدوائية أو التزام السكان بالتفويضات. .

إعادة بناء حالات الإصابة بالعوامل الممرضة

بينما تعتبر عينات SFS قوية بما يكفي لتوفير بيانات مراقبة دقيقة (يومية) حول انتشار العديد من مسببات الأمراض، تتطلب تنوع مخططات عينات SFS معالجة مسبقة لاستنتاج حدوث مسببات الأمراض. لإعادة بناء حدوث مسببات الأمراض بشكل صحيح على مر الزمن، أخذنا في الاعتبار الفئات السكانية المختلفة التي تم أخذ عينات منها بواسطة SFS، لا سيما فيما يتعلق بالفئة العمرية، والإعداد السريري، ووجود أعراض تنفسية (الشكل S25).
قمنا أولاً باستبعاد العينات التي تفتقر إلى معلومات العمر أو عنوان المنزل (كما أبلغ عنها الأفراد المشاركون في المراقبة المجتمعية أو تم الحصول عليها من سجلات المستشفيات الإلكترونية)، والعينات من الأفراد المقيمين خارج منطقة سياتل الكبرى (مقاطعات كينغ، بيرس، سنوهوميش، كيتساب، سان خوان، واتكوم، سكات، آيلاند، كلالام، جيفرسون، ميسون، وثورستون)، والعينات من الأفراد الذين لم تظهر عليهم أعراض مرض تنفسي، والعينات الناتجة عن اختبارات متعددة لأفراد. إذا تم اختبار فرد أكثر من مرة في فترة 30 يومًا، احتفظنا بنتيجة واحدة لكل مسبب مرضي في تلك الفترة. إذا كانت نتائج الاختبارات لجميع المسببات المرضية متسقة عبر حالات الاختبار في فترة 30 يومًا، احتفظنا بالنتائج من أول حالة اختبار وتخلصنا من الحالات اللاحقة. إذا تم اختبار فرد سلبياً ثم إيجابياً أو تم اختبار إيجابي ثم سلبي، احتفظنا بالنتيجة من أول حالة اختبار إيجابي وتخلصنا من الحالات السابقة أو اللاحقة لتلك النتيجة. كما استبعدنا العينات التي تم جمعها كجزء من جهود تتبع الاتصال التابعة للصحة العامة – سياتل ومقاطعة كينغ (PHSKC) أو من خلال التعاون مع المنظمات المجتمعية.
بعد ذلك، استخدمنا نهجًا من ثلاث خطوات للتحكم في تباين العينة على مر الزمن (الشكل S25). في الخطوة الأولى، قمنا بتفكيك بيانات وجود وغياب العوامل الممرضة اليومية المستمدة من اختبار OpenArray حسب الإعداد السريري (المستشفى أو المجتمع) وفئة العمر ( سنوات أو أقل من 5 سنوات). ثم قمنا بتقسيم عدد العينات الإيجابية لكل مسبب مرضي على العدد الإجمالي للعينات المختبرة في كل بيئة وفئة عمرية (الشكل S26). قيم نسبة الاختبارات الإيجابية اليومية لكل فئة عمرية وإعداد ثم تم ضربها في توزيع العمر المتوقع للحالات لكل مسبب في كل بيئة، والذي تم الحصول عليه من شبكة مراقبة الأمراض الشبيهة بالإنفلونزا الخارجية في الولايات المتحدة (ILINet). شبكة مراقبة دخول المستشفيات بسبب الإنفلونزا في الولايات المتحدة (FluSurv-NET) وزارة الصحة في ولاية واشنطن أو الأدبيات المنشورة (الجدول S6). بالنسبة لكل مُمْرِض، يتم حساب النسبة المعدلة اليومية للاختبارات الإيجابية كما يلي:
حيث الاختبارات الإيجابية وإجمالي الاختبارات عدد الاختبارات الإيجابية وإجمالي حجم الاختبارات لفئة العمر ( سنوات أو سنوات) في بيئة سريرية (المستشفى أو المجتمع) تم جمعه في اليوم ، و
حالات الملكية هو النسبة المتوقعة للحالات في فئة العمر في الإعداد السريري استنادًا إلى مصادر بيانات خارجية.
في الخطوة الثانية، قمنا بدمج معلومات نسبة الاختبارات الإيجابية للعوامل الممرضة من المعادلة (1) مع مؤشرات المراقبة السريرية على مستوى المدينة للأمراض التنفسية. على وجه التحديد، قمنا بضرب بيانات نسبة الاختبارات الإيجابية المعدلة في مؤشر أسبوعي لنسبة سكان مقاطعة كينغ الذين يسعون للحصول على الرعاية بسبب الأمراض التنفسية في أقسام الطوارئ. تعتبر النسبة المئوية الإيجابية مضروبة في النسبة المئوية للزيارات الطبية المنسوبة إلى الأمراض التنفسية مقياسًا أكثر موثوقية لنشاط الفيروسات التنفسية مقارنةً بالنسبة المئوية الإيجابية وحدها، وقد تم استخدام أساليب مماثلة بنجاح لنمذجة نشاط الإنفلونزا والفيروسات التاجية الموسمية على مدى عدة مواسم. قمنا بتطبيق هذا التعديل بشكل منفصل على بيانات المجتمع والمستشفى، حيث كانت النسبة المعدلة اليومية للقيم الإيجابية للاختبار لكل فئة عمرية في الإعداد السريري يتم ضربها في النسبة الأسبوعية لزيارات الطوارئ المرمزة كمرض تنفسي عام (جميع الفيروسات المستوطنة باستثناء فيروسات الإنفلونزا)، مرض شبيه بالإنفلونزا، ILI (فيروسات الإنفلونزا)، أو مرض شبيه بكوفيد، CLI (SARS-CoV-2) لفئة العمر :
لإنتاج مقياس إجمالي للحدوث اليومي لكل مسبب مرضي في منطقة سياتل الكبرى، كانت الخطوة الثالثة تتضمن جمع الحدوث حسب الفئة العمرية (< 5 سنوات و سنوات) لكل مسبب مرضي في كل بيئة في اليوم من المعادلة (2)، إعادة قياس معدلات الحدوث المشتركة في المستشفيات والمجتمعات لتكون بين 0 و 1، وجمع معدلات الحدوث المنفصلة في المجتمع والمستشفى:
استخدمنا هذا النهج لتقدير الحوادث اليومية لـ 17 من مسببات الأمراض المستوطنة من نوفمبر 2018 إلى يونيو 2022، بما في ذلك الإنفلونزا. ، وفيروسات B، RSV A وB، أربعة فيروسات كورونا موسمية، أربعة فيروسات بارينفلونزا بشرية، فيروس متابنومو، فيروس رينو، فيروس انتيرو، وفيروس أدينو. اخترنا تقدير حدوث SARS-CoV-2 اليومي من بيانات حالات COVID-19 المتاحة للجمهور لمقاطعة كينغ. لأن SCAN لم تختبر عينات الجهاز التنفسي لفيروس SARS-CoV-2 خلال مايو ويونيو 2020 (الشكل S27).

التحليل الإحصائي

يوضح الشكل S28 نظرة عامة على التحليلات الإحصائية ومدخلاتها المختلفة.
نمذجة الانتقال. لكل مسبب مرض، قمنا بتقدير أعداد التكاثر المتغيرة مع الزمن (الفورية)، ، حسب تاريخ العدوى باستخدام حزمة Epidemia R يمكن التعبير عنها بعدد الإصابات الجديدة في اليوم بالنسبة لمجموع الأفراد المصابين التراكمي أيام قبل اليوم موزونًا حسب العدوى الحالية لهؤلاء الأفراد :
تقوم Epidemia بتنفيذ نماذج بايزيانية شبه ميكانيكية باستخدام لغة البرمجة الاحتمالية ستان . بدلاً من استخدام عملية تجديد حتمية لنشر العدوى، قمنا بنمذجة العدوى الجديدة كمعلمات كامنة غير معروفة، لأن الإضافية
يمكن أن تفسر التباينات حول العدوى عدم اليقين في معدلات النمو الأولية، بالإضافة إلى أحداث الانتشار الواسع. تُوصف مواصفات نموذج النقل في الطرق الإضافية.
قمنا بتقييم التغيرات في قابلية الانتقال خلال الأسبوعين السابقين واللاحقين لحدثين رئيسيين في فترة دراستنا: عاصفة ثلجية كبيرة في فبراير 2019 وبدء تدابير التباعد الاجتماعي المتعلقة بكوفيد-19 في مارس 2020. بالنسبة لكل مسبب مرضي، استخدمنا اختبار بوتستراب غير المعلمي (ذو الجانبين) (1000 عينة مأخوذة مع الاستبدال) لتقدير نسبة المتوسط. القيم قبل وبعد كل حدث ومرتبط به “فترات الثقة (حزمة R “boot”) ).
الارتباطات المتبادلة بين سلوك الإنسان وانتقال العوامل الممرضة. لقياس الارتباطات الديناميكية بين سلوك السكان وقابلية انتقال العوامل الممرضة، قمنا بتقدير ارتباطات سبيرمان المتدرجة المتدحرجة بين مؤشرات التنقل والعوامل الممرضة المحددة. القيم. لتجنب الارتباطات الزائفة، قمنا بتنعيم البيانات اليومية وسلاسل زمنية للحركة مع متوسطات متحركة مركزية لمدة 15 يومًا. في جميع التحليلات، قمنا بوزن الارتباطات المتقاطعة بتناقص أسي بحيث تم وزن الملاحظات عند حواف كل نافذة زمنية تقريبًا أقل من الملاحظات عند منتصف النافذة. هذه الطريقة تتفاعل مع التغييرات الأخيرة في التنقل و مع الاستمرار في دمج الاتجاهات طويلة الأجل. نظرًا للاختبارات المحدودة في بداية الجائحة، قمنا بتقييد الارتباطات المتبادلة التي تتضمن SARS-CoV-2. تقديرات إلى تواريخ بعد 28 فبراير 2020، عندما تم تأكيد أول حالة مكتسبة من المجتمع، وتجاوزت الحالات المؤكدة التراكمية 50. بحلول 1 مارس 2020، فترات موثوقة من SARS-CoV- كانوا ضمن من القيمة الوسيطة.
من خريف 2019 إلى صيف 2022، قمنا بحساب الارتباطات المتبادلة بين مسببات الأمراض المحددة أسبوعياً القيم والتغير النسبي الأسبوعي من الخط الأساسي في التنقل في نوافذ متحركة مدتها خمسة أشهر. على الرغم من أن بياناتنا الأصلية ذات دقة يومية، فقد اخترنا استخدام المتوسطات الأسبوعية لـ والتنقل بسبب طول الفترة الزمنية التي تم تحليلها ورغبتنا في التركيز على الاتجاهات العامة طويلة الأجل. اخترنا فترات زمنية مدتها 5 أشهر لأن هذه المدة توفر توازنًا جيدًا بين تقليل الضوضاء والاحتفاظ بفترة زمنية ذات صلة بيولوجيًا. في تحليلات الحساسية التي تتغير فيها طول فترة التمرير الزمنية، أدخلت الفترات الأقصر مزيدًا من الضوضاء في النتائج (على سبيل المثال، فترات من الارتباطات الإيجابية والسلبية المتناوبة بدلاً من الاتجاهات طويلة الأجل المتسقة) بينما قللت الفترات الأطول من قدرتنا على تحديد متى كان التنقل مرتبطًا بشكل أقوى مع خلال فترة الجائحة، قمنا أيضًا بتقدير الارتباطات المتقاطعة الأسبوعية والفترات الزمنية المثلى بين ونسبة الأفراد الذين يرتدون الكمامات في الأماكن العامة (يونيو 2020 إلى يونيو 2022) وبين ومؤشر صرامة أكسفورد (من مارس 2020 إلى يونيو 2022). خلال موسم الفيروسات التنفسية 2018-2019، قمنا بتقدير الارتباطات المتبادلة بين البيانات اليومية وتغير النسبة المئوية اليومي من الخط الأساسي في الحركة في نوافذ شهرية متدحرجة لمدة شهر واحد، بسبب البيانات المحدودة في بداية ذلك الموسم (بدأ جمع عينات الجهاز التنفسي في نوفمبر 2018) ولتسجيل تأثيرات عاصفة الثلج التي استمرت 12 يومًا في فبراير 2019 بشكل أفضل.
لكل نافذة متحركة، قمنا بتقدير الارتباطات المتقاطعة الموزونة بين التنقل و في تأخيرات مختلفة (حتى 4 أسابيع لنوافذ متدحرجة مدتها 5 أشهر وحتى 21 يومًا لنوافذ متدحرجة مدتها شهر واحد) واستخرجت القيمة القصوى (المطلقة) للمعامل والتأخير (بالأسابيع أو الأيام) الذي حدثت فيه هذه القيمة (التأخير الأمثل). تشير القيم السلبية للتأخير إلى أن السلوك يسبق تشير القيم الإيجابية للتأخير إلى يؤدي السلوك. يشير تأخر قدره 0 إلى أن سلسلتين زمنيتين في نفس المرحلة (أي متزامنتين). لتوليد الارتباطات المتقاطعة الشهرية والتأخيرات، قمنا بمتوسط معاملات الارتباط والتأخيرات المثلى لنقاط منتصف النوافذ التي تقع ضمن شهر تقويمي معين. كمثال، بالنسبة للنوافذ المتدحرجة التي تمتد لخمس أشهر، فإن إحصائيات كل شهر هي متوسط معاملات الارتباط والتأخيرات للتواريخ التي تقع 10 أسابيع قبل و10 أسابيع بعد كل أسبوع في ذلك الشهر.
لاختبار الدلالة الإحصائية للاعتمادات المتبادلة لكل نافذة متحركة، استخدمنا نهج البلوك بوتستراب لتوليد 1000 عينة من كل سلسلة زمنية للحركة تم خلطها بزيادات أسبوعين (حزمة tseries في R) ) وإعادة حساب الارتباطات المتقاطعة بين والتنقل لكل تكرار، مما ينتج عنه توزيع فارغ من 1000 ارتباط متقاطع. الارتباطات المتقاطعة بين وكانت مؤشرات التنقل تعتبر ذات دلالة إحصائية عندما كانت المعاملات الملاحظة خارج حدود توزيع العدم. الفترة. قمنا بإجراء ارتباطات متقاطعة معاد تشكيلها باستخدام الموارد الحاسوبية عالية الأداء لمجموعة بيولف لينكس في المعاهد الوطنية للصحة، مع إصدار R 4.2. تظهر الأشكال الخاصة بالارتباطات المتقاطعة الشهرية والفترات المثلى كل من العلاقات الرائدة والمتأخرة بين التنقل و بينما يتم تقييد أرقام الارتباط المتقاطع المتداول بفترات زمنية أقل من 1 لتقليل الضوضاء والتركيز على العلاقات المتزامنة أو الرائدة.
كتحليل حساسية، قمنا بتقدير قابلية انتقال فيروس SARS-CoV-2 السلفي وكل سلالة رئيسية مثيرة للقلق (VOC) يوميًا، باستخدام فترات الجيل، وفترات الحضانة، وتأخيرات الإبلاغ الخاصة بكل سلالة، وحسبنا التداخلات المتقاطعة المتدحرجة بين VOC-specific. القيم ومؤشرات السلوك. كانت معظم سلاسل زمن VOC قصيرة جداً لقياس التغيرات الديناميكية في الارتباطات بين والسلوك، على الأرجح لأن التحليلات المحددة لـ VOC لم تتمكن من تضمين الفترة التي تسبق مباشرة الزيادات في .
نماذج الانحدار الإضافي العام المتعددة المتغيرات. لكل مسبب مرض، استخدمنا نماذج الانحدار الإضافي العام (GAMs) لقياس العلاقات غير الخطية بين الحركة و وتقييم الأهمية النسبية لمؤشرات السلوك المختلفة في التنبؤ خلال النقاط الزمنية الوبائية الرئيسية (انظر الطرق التكميلية للتواريخ المحددة). استخدمنا حزمة mgcv في R لتناسب كل نموذج عام مع توزيع خطأ غاما ورابط لوغاريتمي. تم وصف التفاصيل المنهجية في الطرق التكميلية.

الإشراف الأخلاقي

تمت الموافقة على دراسة إنفلونزا سياتل وشبكة تقييم فيروس كورونا في سياتل الكبرى من قبل مجلس المراجعة المؤسسية في جامعة واشنطن (البروتوكولات #00006181 و #000010432). عند التسجيل، قدم المشاركون موافقة مستنيرة لجمع عينات الجهاز التنفسي والبيانات الوصفية وللاستخدام الثانوي، والتخزين، و/أو المشاركة المستقبلية للبيانات غير المحددة الهوية لأغراض البحث. هذه البروتوكولات لمجلس المراجعة المؤسسية توافق صراحة على استخدام بيانات المراقبة لأغراض البحث الثانوي ولا تفرض قيودًا على الأنواع المحددة من الأبحاث الثانوية التي يمكن إجراؤها أو مصادر البيانات الخارجية التي يمكن تحليلها بالتزامن مع بيانات المراقبة. وفقًا لموافقة مجلس المراجعة المؤسسية بجامعة واشنطن، تم التنازل عن الموافقة المستنيرة لعينات المتبقية وجمع البيانات السريرية، حيث تم جمع هذه العينات بالفعل كجزء من الرعاية السريرية الروتينية، ولم يكن من الممكن إعادة الاتصال بهؤلاء الأفراد. تم الموافقة على إعفاء مجلس المراجعة المؤسسية لاستخدام بيانات المراقبة التنفسية المجمعة غير المتاحة للجمهور لمقاطعة كينغ، واشنطن، من قبل مجلس المراجعة المؤسسية في ولاية واشنطن (تحديد الإعفاء #2022-004). بيانات تنقل الهواتف المحمولة البشرية مجمعة ومجهولة الهوية وكانت متاحة مجانًا للباحثين الأكاديميين قبل بدء هذه الدراسة؛ وبالتالي، فإن هذه البيانات لا تشكل بحثًا عن موضوعات بشرية. لم نجمع بيانات الهواتف المحمولة من المشاركين في دراسة المراقبة، ولا يوجد ارتباط على مستوى الأفراد بين مجموعات بيانات التنقل والمراقبة. الارتباط على مستوى الأفراد بين هذين المجموعتين من البيانات غير ممكن، نظرًا لأن بيانات التنقل مجمعة ومجهولة الهوية/غير محددة الهوية. جميع مصادر البيانات الأخرى المتعلقة بالبشر مجمعة ومجهولة الهوية ومتاحة علنًا. اتبعت هذه الدراسة إرشادات تقوية تقارير الدراسات الملاحظة في علم الأوبئة (STROBE) لإعداد التقارير للدراسات المقطعية.

ملخص التقرير

معلومات إضافية حول تصميم البحث متاحة في ملخص تقرير Nature Portfolio المرتبط بهذه المقالة.

توفر البيانات

يمكن الوصول إلى البيانات الوبائية والمتحركة المجمعة التي تدعم نتائج هذه الدراسة على https://doi.org/10.5281/zenodo. و https://github.com/aperofsky/seattle_mobility_rt. يتطلب الوصول إلى بيانات المشاركين في الدراسة غير المحددة الهوية توقيع اتفاقية وصول البيانات مع تحالف إنفلونزا سياتل ويمكن أن تتاح للباحثين الذين تمت الموافقة على استخدامهم المقترح للبيانات من قبل محققي الدراسة. يجب تقديم طلبات الوصول إلى البيانات إلى data@seattleflu.org. تم توليد بعض مقاييس التنقل باستخدام بيانات SafeGraph Weekly Patterns و Social Distancing، التي تم توفيرها مجانًا للأكاديميين استجابةً لجائحة COVID-19. تتوفر مجموعة بيانات SafeGraph Weekly Patterns حاليًا للأكاديميين للاستخدام غير التجاري من خلال اشتراك مؤسسي في الجامعة أو اشتراك فردي في Dewey (https://www.deweydata.io/). لا تسمح اتفاقية الوصول إلى البيانات مع Dewey بمشاركة البيانات الخام. بيانات التنقل من بيانات Meta Data for Good Movement Range Maps متاحة للجمهور من خلال Humanitarian Data Exchange (https:// data.humdata.org/dataset/movement-range-maps). بيانات التباعد الاجتماعي من SafeGraph وبيانات الاستطلاع من Meta Data for Good حول ارتداء الكمامات متاحة للجمهور من خلال واجهة برمجة التطبيقات COVIDcast Epidata لمجموعة Carnegie Mellon Delphi (https://cmu-delphi.github.io/delphi-epidata/api/ covidcast.html). البيانات حول صرامة التدخلات غير الصيدلانية في الولايات المتحدة متاحة للجمهور من خلال متتبع استجابة الحكومة COVID-19 من أكسفورد (https://github.com/ OxCGRT/covid-policy-tracker). بيانات المراقبة التنفسية المجمعة لفيروس الإنفلونزا والبيانات الفيروسية لولاية واشنطن متاحة للجمهور من خلال لوحة المعلومات التفاعلية FluView لمراكز السيطرة على الأمراض والوقاية منها (CDC) (https://www.cdc.gov/flu/weekly/ fluviewinteractive.htm). بيانات المراقبة التنفسية المجمعة لمقاطعة كينغ، واشنطن، غير متاحة للجمهور وتم توفيرها من قبل برنامج شبكة المعلومات الصحية السريعة (RHINO) في وزارة الصحة بواشنطن (WA DOH). يتطلب الوصول لأغراض البحث توقيع اتفاقية مشاركة البيانات مع WA DOH وموافقة الإعفاء من مجلس المراجعة المؤسسية في ولاية واشنطن. يجب تقديم طلبات الوصول إلى البيانات إلى RHINO@doh.wa.gov. البيانات حول حالات COVID-19 في مقاطعة كينغ، واشنطن، متاحة للجمهور من خلال لوحة معلومات COVID-19 الخاصة بـ WA DOH (https:// doh.wa.gov/emergencies/covid-19/data-dashboard). البيانات حول تطعيم COVID19 في مقاطعة كينغ، واشنطن، متاحة للجمهور من خلال لوحة معلومات التطعيم COVID-19 الخاصة بالصحة العامة – سياتل ومقاطعة كينغ (https://kingcounty.gov/en/dept/dph/health-safety/disease-illness/covid-19/data/vaccination). يمكن تنزيل بيانات تسلسل SARS-CoV-2 التي تم تنسيقها بواسطة Nextstrain عبر أداة Nextstrain CLI (https://docs.nextstrain.org/projects/cli/en/stable/). السجلات اليومية لهطول الأمطار ودرجة الحرارة والرطوبة في سياتل، واشنطن، متاحة للجمهور من خلال قاعدة بيانات المناخ المحلية الأمريكية لمراكز المعلومات البيئية الوطنية (https://www.ncei.noaa.gov/ products/land-based-station/local-climatological-data).

توفر الشيفرة

الشيفرة لإعادة إنتاج النتائج والأشكال في هذه الدراسة متاحة على https://doi.org/10.5281/zenodo. و https://github.com/ aperofsky/seattle_mobility_rt.

References

  1. Cowling, B. J. et al. Impact assessment of non-pharmaceutical interventions against coronavirus disease 2019 and influenza in Hong Kong: an observational study. Lancet Public Health 5, e279-e288 (2020).
  2. Tempia, S. et al. Decline of influenza and respiratory syncytial virus detection in facility-based surveillance during the COVID-19
    pandemic, South Africa, January to October 2020. Euro Surveill 26, 2001600 (2021).
  3. Bardsley, M. et al. Epidemiology of respiratory syncytial virus in children younger than 5 years in England during the COVID-19 pandemic, measured by laboratory, clinical, and syndromic surveillance: a retrospective observational study. Lancet Infect. Dis. 23, 56-66 (2023).
  4. Rodgers, L. et al. Changes in seasonal respiratory illnesses in the United States during the coronavirus disease 2019 (COVID-19) Pandemic. Clin. Infect. Dis. 73, S110-S117 (2021).
  5. Huang, Q. S. et al. Impact of the COVID-19 nonpharmaceutical interventions on influenza and other respiratory viral infections in New Zealand. Nat. Commun. 12, 1001 (2021).
  6. Dhanasekaran, V. et al. Human seasonal influenza under COVID-19 and the potential consequences of influenza lineage elimination. Nat. Commun. 13, 1721 (2022).
  7. Park, S., Michelow, I. C. & Choe, Y. J. Shifting patterns of respiratory virus activity following social distancing measures for coronavirus disease 2019 in South Korea. J. Infect. Dis. 224, 1900-1906 (2021).
  8. Williams, T. C., Sinha, I., Barr, I. G. & Zambon, M. Transmission of paediatric respiratory syncytial virus and influenza in the wake of the COVID-19 pandemic. Euro Surveill 26, 2100186 (2021).
  9. Eden, J. S. et al. Off-season RSV epidemics in Australia after easing of COVID-19 restrictions. Nat. Commun. 13, 2884 (2022).
  10. Fong, M. W., Leung, N. H. L., Cowling, B. J. & Wu, P. Upper Respiratory Infections in Schools and Childcare Centers Reopening after COVID-19 Dismissals, Hong Kong. Emerg. Infect. Dis. 27, 1525-1527 (2021).
  11. Grantz, K. H. et al. The use of mobile phone data to inform analysis of COVID-19 pandemic epidemiology. Nat. Commun. 11, 4961 (2020).
  12. Baker, R. E. et al. The impact of COVID-19 nonpharmaceutical interventions on the future dynamics of endemic infections. Proc. Natl. Acad. Sci. USA 117, 30547-30553 (2020).
  13. White, E. B. et al. High Influenza Incidence and Disease Severity Among Children and Adolescents Aged <18 Years – United States, 2022-23 Season. MMWR Morb. Mortal. Wkly. Rep. 72, 1108-1114 (2023).
  14. Reicherz, F. et al. Waning Immunity Against Respiratory Syncytial Virus During the Coronavirus Disease 2019 Pandemic. J Infect Dis. 226, 2064-2068 (2022).
  15. Tanne, J. H. US faces triple epidemic of flu, RSV, and covid. BMJ 379, o2681 (2022).
  16. Chu, H. Y. et al. The Seattle Flu Study: a multiarm community-based prospective study protocol for assessing influenza prevalence, transmission and genomic epidemiology. BMJ Open 10, e037295 (2020).
  17. Bedford, T. et al. Cryptic transmission of SARS-CoV-2 in Washington state. Science 370, 571-575 (2020).
  18. Burstein, R. et al. Interactions among 17 respiratory pathogens: a cross-sectional study using clinical and community surveillance data. medRxiv https://doi.org/10.1101/2022.02.04. 22270474 (2022).
  19. Hansen, C. et al. Trends in Risk Factors and Symptoms Associated With SARS-CoV-2 and Rhinovirus Test Positivity in King County, Washington, June 2020 to July 2022. JAMA Network Open 5, e2245861 (2022).
  20. Jackson, M. L. et al. Effects of weather-related social distancing on city-scale transmission of respiratory viruses: a retrospective cohort study. BMC Infect Dis. 21, 335 (2021).
  21. Kim, A. E. et al. Evaluating specimen quality and results from a community-wide, home-based respiratory surveillance study. J. Clin. Microbiol. 59, e02934-20 (2021).
  22. Chu, H. Y. et al. Early detection of Covid-19 through a citywide pandemic surveillance platform. N. Engl. J. Med. 383, 185-187 (2020).
  23. Bhatt, S. et al. Semi-mechanistic Bayesian modelling of COVID-19 with renewal processes. J. R. Stat. Soc. Series A: Statistics in Society 186, 601-615 (2023).
  24. Scott, J. A. et al. epidemia: Modeling of Epidemics using Hierarchical Bayesian Models. R package version 1.0.0, https:// imperialcollegelondon.github.io/epidemia/ (2020).
  25. Cori, A., Ferguson, N. M., Fraser, C. & Cauchemez, S. A new framework and software to estimate time-varying reproduction numbers during epidemics. Am J Epidemiol 178, 1505-1512 (2013).
  26. Hale, T. et al. A global panel database of pandemic policies (Oxford COVID-19 Government Response Tracker). Nat Hum Behav 5, 529-538 (2021).
  27. Reinhart, A. et al. An open repository of real-time COVID-19 indicators. Proc Natl Acad Sci. USA 118, e2111452118 (2021).
  28. Rössler, A., Riepler, L., Bante, D., von Laer, D. & Kimpel, J. SARS-CoV-2 Omicron variant neutralization in serum from vaccinated and convalescent persons. N. Engl. J. Med. 386, 698-700 (2022).
  29. Lyngse, F. P. et al. Household transmission of the SARS-CoV-2 Omicron variant in Denmark. Nat. Commun. 13, 5573 (2022).
  30. Delussu, F., Tizzoni, M. & Gauvin, L. The limits of human mobility traces to predict the spread of COVID-19: a transfer entropy approach. PNAS Nexus 2, pgad3O2 (2023).
  31. Cauchemez, S., Valleron, A. J., Boelle, P. Y., Flahault, A. & Ferguson, N. M. Estimating the impact of school closure on influenza transmission from Sentinel data. Nature 452, 750-754 (2008).
  32. Peltola, V. et al. Rhinovirus transmission within families with children: incidence of symptomatic and asymptomatic infections. J Infect Dis. 197, 382-389 (2008).
  33. Chu, H. Y. et al. Molecular epidemiology of respiratory syncytial virus transmission in childcare. J Clin Virol 57, 343-350 (2013).
  34. Martin, E. T. et al. Heterotypic Infection and Spread of Rhinovirus A, B, and C among Childcare Attendees. J Infect Dis. 218, 848-855 (2018).
  35. Davies, N. G. et al. Age-dependent effects in the transmission and control of COVID-19 epidemics. Nat. Med. 26, 1205-1211 (2020).
  36. Poole, S., Brendish, N. J., Tanner, A. R. & Clark, T. W. Physical distancing in schools for SARS-CoV-2 and the resurgence of rhinovirus. Lancet Respir Med. 8, e92-e93 (2020).
  37. Kitanovski, S. et al. Rhinovirus prevalence as indicator for efficacy of measures against SARS-CoV-2. BMC Public Health 21, 1178 (2021).
  38. Kraay, A. N. M. et al. Fomite-mediated transmission as a sufficient pathway: a comparative analysis across three viral pathogens. BMC Infect Dis. 18, 540 (2018).
  39. Kutter, J. S., Spronken, M. I., Fraaij, P. L., Fouchier, R. A. & Herfst, S. Transmission routes of respiratory viruses among humans. Curr. Opin. Virol. 28, 142-151 (2018).
  40. Murray, A. F. et al. School-Based Surveillance of Respiratory Pathogens on “High-Touch” Surfaces. Front. Pediatr. 9, 686386 (2021).
  41. Leung, N. H. L. et al. Respiratory virus shedding in exhaled breath and efficacy of face masks. Nat. Med. 26, 676-680 (2020).
  42. Jewell, S. et al. It’s complicated: characterizing the time-varying relationship between cell phone mobility and COVID-19 spread in the US. NPJ Digit. Med. 4, 152 (2021).
  43. Gostic, K. M. et al. Practical considerations for measuring the effective reproductive number, Rt. PLoS Comput. Biol. 16, e1008409 (2020).
  44. Huisman, J. S. et al. Estimation and worldwide monitoring of the effective reproductive number of SARS-CoV-2. Elife 11, e71345 (2022).
  45. Shaman, J., Pitzer, V. E., Viboud, C., Grenfell, B. T. & Lipsitch, M. Absolute humidity and the seasonal onset of influenza in the continental United States. PLoS Biol. 8, e1000316 (2010).
  46. Pitzer, V. E. et al. Environmental drivers of the spatiotemporal dynamics of respiratory syncytial virus in the United States. PLoS Pathog 11, e1004591 (2015).
  47. Rankin, D. A. et al. Circulation of Rhinoviruses and/or Enteroviruses in Pediatric Patients With Acute Respiratory Illness Before and During the COVID-19 Pandemic in the US. JAMA Netw. Open 6, e2254909 (2023).
  48. Park, S., Lee, Y., Michelow, I. C. & Choe, Y. J. Global Seasonality of Human Coronaviruses: A Systematic Review. Open Forum Infect Dis. 7, ofaa443 (2020).
  49. Li, Y. et al. Global patterns in monthly activity of influenza virus, respiratory syncytial virus, parainfluenza virus, and metapneumovirus: a systematic analysis. Lancet Glob. Health 7, e1031-e1045 (2019).
  50. Luca, G. et al. The impact of regular school closure on seasonal influenza epidemics: a data-driven spatial transmission model for Belgium. BMC Infect. Dis. 18, 29 (2018).
  51. Eggo, R. M., Scott, J. G., Galvani, A. P. & Meyers, L. A. Respiratory virus transmission dynamics determine timing of asthma exacerbation peaks: Evidence from a population-level model. Proc. Natl. Acad. Sci. USA 113, 2194-2199 (2016).
  52. Hall, C. B. et al. Respiratory Syncytial Virus Infections within Families. N. Eng. J. Med. 294, 414-419 (1976).
  53. Longini, I. M. Jr., Koopman, J. S., Monto, A. S. & Fox, J. P. Estimating household and community transmission parameters for influenza. Am J Epidemiol 115, 736-751 (1982).
  54. Washington Office of Superintendent of Public Instruction. School Facility ReOpening Survey, https://data.wa.gov/dataset/School-Facility-ReOpening-Survey/9i5d-c2m8 Accessed: 2023-1030 (2021).
  55. Bedford, T. et al. Global circulation patterns of seasonal influenza viruses vary with antigenic drift. Nature 523, 217-220 (2015).
  56. Viboud, C. et al. Synchrony, waves, and spatial hierarchies in the spread of influenza. Science 312, 447-451 (2006).
  57. Hamid, S. et al. Seasonality of respiratory syncytial virus – United States, 2017-2023. MMWR Morb. Mortal. Wkly. Rep. 72, 355-361 (2023).
  58. Kishore, N. et al. Evaluating the reliability of mobility metrics from aggregated mobile phone data as proxies for SARS-CoV-2 transmission in the USA: a population-based study. Lancet Digit Health 4, e27-e36 (2022).
  59. Crawford, F. W. et al. Impact of close interpersonal contact on COVID-19 incidence: Evidence from 1 year of mobile device data. Sci. Adv. 8, eabi5499 (2022).
  60. Gimma, A. et al. Changes in social contacts in England during the COVID-19 pandemic between March 2020 and March 2021 as measured by the CoMix survey: A repeated cross-sectional study. PLoS Med. 19, e1003907 (2022).
  61. Paredes, M. I. et al. Local-scale phylodynamics reveal differential community impact of SARS-CoV-2 in a metropolitan US county. PLoS Pathogens 20, e1012117 (2024).
  62. ThermoFisher. A complete workflow solution for detecting respiratory tract microbiota using OpenArray technology, https://assets. thermofisher.com/TFS-Assets/GSD/Application-Notes/openarray-respiratory-microbiota-taqman-app-note.pdf Accessed: 2024-0421 (2020).
  63. Marcink, T. C., Englund, J. A. & Moscona, A. Paramyxoviruses: Parainfluenza Viruses. In Viral Infections of Humans: Epidemiology and Control (eds Kaslow, R. A., Stanberry, L. R. & Powers, A. M.) (Springer, New York, NY, 2023).
  64. R Core Team. R: A Language and Environment for Statistical Computing. (R Foundation for Statistical Computing, Vienna, Austria, 2023). https://www.R-project.org/
  65. National Center for Immunization and Respiratory Diseases (NCIRD), U.S. Centers for Disease Control and Prevention. FluView
Interactive, https://www.cdc.gov/flu/weekly/fluviewinteractive. htm Accessed: 2023-10-20 (2023).
66. Huntington-Klein, N. SafeGraphR: Package for Processing and Analyzing SafeGraph Data. R package version 0.5.2 (2023).
67. Salomon, J. A. et al. The US COVID-19 Trends and Impact Survey: Continuous real-time measurement of COVID-19 symptoms, risks, protective behaviors, testing, and vaccination. Proc. Natl. Acad. Sci. USA 118, e2111454118 (2021).
68. Rader, B. et al. Mask-wearing and control of SARS-CoV-2 transmission in the USA: a cross-sectional study. Lancet Digit. Health 3, e148-e157 (2021).
69. Chaves, S. S., Lynfield, R., Lindegren, M. L., Bresee, J. & Finelli, L. The US Influenza Hospitalization Surveillance Network. Emerg Infect Dis. 21, 1543-1550 (2015).
70. Washington State Department of Health. COVID-19 Data Dashboard, https://doh.wa.gov/emergencies/covid-19/data-dashboard Accessed: 2023-02-21 (2023).
71. Goldstein, E., Cobey, S., Takahashi, S., Miller, J. C. & Lipsitch, M. Predicting the epidemic sizes of influenza A/H1N1, A/H3N2, and B: a statistical method. PLoS Med. 8, e1001051 (2011).
72. Kissler, S. M., Tedijanto, C., Goldstein, E., Grad, Y. H. & Lipsitch, M. Projecting the transmission dynamics of SARS-CoV-2 through the postpandemic period. Science 368, 860-868 (2020).
73. Carpenter, B. et al. Stan: A Probabilistic Programming Language. Journal of Statistical Software 76, 1-32 (2017).
74. Canty, A. C. & Ripley, B. boot: Bootstrap R (S-Plus) Functions. R package version 1.3-30 (2024).
75. Trapletti, A. & Hornik, K. tseries: Time Series Analysis and Computational Finance. R package version 0.10-55 (2023).
76. Wood, S. N. Fast stable restricted maximum likelihood and marginal likelihood estimation of semiparametric generalized linear models. J. R. Stat. Soc. Ser. B Methodol. 73, 3-36 (2011).
77. Perofsky, A. C. aperofsky/seattle_mobility_rt: Initial release (v1.0.0), https://doi.org/10.5281/zenodo. 11044821 (2024).

الشكر والتقدير

نشكر فريق دراسة إنفلونزا سياتل (SFS) وشبكة تقييم فيروس كورونا في سياتل الكبرى (SCAN) بأكمله على عملهم الجاد وتفانيهم في هذه المشاريع والمشاركين في الدراسة على مشاركتهم في هذا البحث. كما نشكر الصحة العامة – سياتل ومقاطعة كينغ على مساهماتهم في دراسة SCAN ولتوفير العينات التي تم جمعها في مواقع اختبار COVID-19 في مقاطعة كينغ، وإدارة الصحة في مقاطعة تاكومّا-بيرس على تمويل جمع واختبار عينات SCAN التنفسية في مقاطعة بيرس، وبرنامج شبكة المعلومات الصحية السريعة (RHINO) في وزارة الصحة بواشنطن على توفير بيانات المراقبة التنفسية. نشكر الدكتور جيف دوتشين على التعليقات المفيدة حول المخطوطة وقسم الأوبئة الدولية ودراسات السكان (DIEPS) في مركز فوغارتي الدولي ومختبر بيدفورد في فريد هاتش على المناقشات المفيدة. استخدمت هذه الدراسة موارد الحوسبة عالية الأداء من مجموعة Biowulf Linux في المعاهد الوطنية للصحة الأمريكية (http://biowulf.nih.gov). تم تمويل دراسة إنفلونزا سياتل وشبكة تقييم فيروس كورونا في سياتل الكبرى (SCAN) من قبل Gates Ventures ومعهد هوارد هيوز الطبي. تم تمويل عينات SCAN التي تم جمعها في مقاطعة بيرس من قبل إدارة الصحة في مقاطعة تاكومّا-بيرس. حصل ACP و CLH و SB و RP و CM و DR و BC و KSF و KK و BP و ZA و EM و LRS و JSt و LG و PDH و AW و JSh و TB و HYC و LMS على دعم من طرف ثالث من Gates Ventures من خلال معهد بروتمان باتي أثناء إجراء الدراسة. يتم دعم ACP و LMS و TB من قبل عقد CDC 75D30122C14368. RB و MF هما موظفان في معهد نمذجة الأمراض، وهي مجموعة بحثية داخل وممولة بالكامل من مؤسسة بيل وميليندا غيتس. يتم دعم JSh و TB من قبل معهد هوارد هيوز الطبي. يتم دعم CV من قبل قسم البحث الداخلي
في مركز فوغارتي الدولي، المعاهد الوطنية للصحة الأمريكية. بالنسبة للعينات التي تم جمعها من خلال آليات أخرى غير SCAN، لم يكن للممولين أي دور في أي جانب من جوانب الدراسة. شاركت Gates Ventures في تصميم SCAN من خلال تقديم مدخلات حول فحص الدراسة ومعايير الأهلية ولكن لم يكن لها أي دور في إجراء SCAN، أو جمع، أو إدارة، أو تحليل، أو تفسير بيانات SCAN، أو إعداد، أو مراجعة، أو الموافقة على هذه المخطوطة، أو اتخاذ القرار لتقديم المخطوطة للنشر. لم يكن هناك أي ممولين آخرين متورطين في أي جانب من جوانب SCAN. إخلاء المسؤولية: النتائج والاستنتاجات في هذا التقرير هي تلك الخاصة بالمؤلفين ولا تمثل بالضرورة الموقف الرسمي للمعاهد الوطنية للصحة الأمريكية أو الحكومة الأمريكية.

مساهمات المؤلفين

تصور: أ.س.ب، م.ف.ج.ش.، ت.ب.، هـ.ي.س.، ج.أ.ع.، ل.م.س.، و ج.ف. المنهجية: أ.س.ب، ج.ل.هـ.، ر.ب.، ب.د.هـ.، م.ف.ج.ش.، ت.ب.، هـ.ي.س.، ج.أ.إ.، ل.م.س. و س.ف. البرمجيات: أ.س.ب.، ج.ل.هـ.، ر.ب.، ج.م.، د.ر.، ب.س.، م.ت.، ك.س.ف.، ك.ك.، ب.ب.، ج.ل.، ت.ر.س.ج.ست.، أ.أ.، م.ف. و ج.ف. التحقق: أ.س.ب.، ج.ل.هـ.، ر.ب.، إ.م.، ل.ر.س.، ل.ج.، ب.د.هـ. و ل.م.س. التحليل الرسمي: أ.س.ب. التحقيق: أ.س.ب. الموارد: أ.أ.، م.ل.ج.ج.ش.، ت.ب.، هـ.ي.س.، ج.أ.ع.، و ل.م.س. جمع البيانات أو تنظيمها: أ.س.ب.، ج.ل.هـ.، ر.ب.، ج.م.، د.ر.، ب.س.، م.ت.، ك.س.ف.، ك.ك.، ب.ب.، ز.أ.، ج.ل.، ت.ر.س.، إ.م.، ل.ر.س.ج.ست.، ل.ج.، ب.د.هـ.، أ.أ.، أ.و.، م.ل.ج.، م.ف.، ج.ش.، ت.ب.، هـ.ي.س.، ج.أ.ع.، ل.م.س.، و ج.ف. كتابة المسودة الأصلية: أ.س.ب. كتابة المراجعة والتحرير: أ.س.ب، ج.ل.هـ.، ر.ب.، س.ب.، ر.ب.، م.ف.، هـ.ي.س.، ج.أ.ع.، ل.م.س.، ج.ف. التصور: أ.س.ب. الإشراف: س.ب.، ر.ب.، ك.ك.، ز.أ.ج.ست.، د.ب.هـ.، م.ف.،ج.ش.، ت.ب.، هـ.ي.س.، ج.أ.ع.، ل.م.س. و ج.ف. إدارة المشروع: س.ب.، ر.ب.، ك.ك.، ز.أ.ج.ست.، د.ب.هـ.، م.ف، ج.ش.، ت.ب.، هـ.ي.س.، ج.أ.إ.، ل.م.س. و ج.ف. الحصول على التمويل: أ.س.ب.، ج.ل.هـ.، س.ب.، ر.ب.، أ.و.ج.ش.، ت.ب.، هـ.ي.س.، ج.أ.ع.، ل.م.س. و ج.ف. جميع المؤلفين قد اطلعوا على المخطوطة ووافقوا عليها.

المصالح المت competing

تلقى CLH رسومًا شخصية من Sanofi خارج العمل المقدم. تلقى MLJ تمويلًا كمقاول لشركة Merck & Co. تلقى AW دعمًا من التجارب السريرية لمؤسستهم من Pfizer وAnsun Biopharma وAllovir وGlaxoSmithKline/Vir، ورسومًا شخصية من Vir وGlaxoSmithKline، ومنحًا من Amazon خارج العمل المقدم. تلقى JAE منحًا من Pfizer وAstraZeneca وMerck وGlaxoSmithKline ورسومًا شخصية من Pfizer وAstraZeneca وGlaxoSmithKline وMerck وMeissa Vaccines وModerna وSanofi Pasteur خارج العمل المقدم. تلقى HYC رسومًا شخصية من Ellume ومؤسسة بيل وميليندا غيتس وVindico وAbbvie وMerck وPfizer، وتمويلًا بحثيًا من Gates Ventures وSanofi Pasteur، ودعمًا ومواد من Ellume وCepheid خارج العمل المقدم. تلقى CV أتعابًا من Elsevier خارج العمل المقدم. جميع المؤلفين الآخرين يعلنون أنهم ليس لديهم مصالح متنافسة.

معلومات إضافية

معلومات إضافية النسخة الإلكترونية تحتوي على مواد إضافية متاحة علىhttps://doi.org/10.1038/s41467-024-48528-2.
يجب توجيه المراسلات والطلبات للحصول على المواد إلى أماندا سي. بيروفكسي.
معلومات مراجعة الأقران تشكر مجلة Nature Communications شينغجي لاي وميشيل تيزوني على مساهمتهما في مراجعة هذا العمل. يتوفر ملف مراجعة الأقران.
معلومات إعادة الطباعة والتصاريح متاحة علىhttp://www.nature.com/reprints
ملاحظة الناشر: تظل شركة سبرينجر ناتشر محايدة فيما يتعلق بالمطالبات القضائية في الخرائط المنشورة والانتماءات المؤسسية.
الوصول المفتوح هذه المقالة مرخصة بموجب رخصة المشاع الإبداعي النسب 4.0 الدولية، التي تسمح بالاستخدام والمشاركة والتكيف والتوزيع وإعادة الإنتاج بأي وسيلة أو صيغة، طالما أنك تعطي الائتمان المناسب للمؤلفين الأصليين والمصدر، وتوفر رابطًا لرخصة المشاع الإبداعي، وتوضح إذا ما تم إجراء تغييرات. الصور أو المواد الأخرى من طرف ثالث في هذه المقالة مشمولة في رخصة المشاع الإبداعي الخاصة بالمقالة، ما لم يُشار إلى خلاف ذلك في سطر الائتمان للمواد. إذا لم تكن المادة مشمولة في رخصة المشاع الإبداعي الخاصة بالمقالة وكان استخدامك المقصود غير مسموح به بموجب اللوائح القانونية أو يتجاوز الاستخدام المسموح به، فسيتعين عليك الحصول على إذن مباشرة من صاحب حقوق الطبع والنشر. لعرض نسخة من هذه الرخصة، قم بزيارةhttp://creativecommons.org/رخص/بواسطة/4.0/.
(ج) المؤلف(ون) 2024
معهد بروتمان باتي للطب الدقيق، جامعة واشنطن، سياتل، واشنطن، الولايات المتحدة الأمريكية. مركز فوغارتي الدولي، المعاهد الوطنية للصحة، بيثيسدا، ماريلاند، الولايات المتحدة الأمريكية. مركز PandemiX، قسم العلوم والبيئة، جامعة روسكيلد، روسكيلد، الدنمارك. معهد نمذجة الأمراض، مؤسسة بيل وميليندا غيتس، سياتل، واشنطن، الولايات المتحدة الأمريكية. قسم اللقاحات والأمراض المعدية، مركز فريد هاتشينسون للسرطان، سياتل، واشنطن، الولايات المتحدة الأمريكية. قسم علوم الجينوم، جامعة واشنطن، سياتل، واشنطن، الولايات المتحدة الأمريكية. معهد أبحاث الأطفال في سياتل، سياتل، واشنطن، الولايات المتحدة الأمريكية. قسم طب الأطفال، جامعة واشنطن، سياتل، واشنطن، الولايات المتحدة الأمريكية. إيبي أسيست ذ.م.م، سياتل، واشنطن، الولايات المتحدة الأمريكية. معهد هوارد هيوز الطبي، سياتل، واشنطن، الولايات المتحدة الأمريكية. قسم الحساسية والأمراض المعدية، كلية الطب، جامعة واشنطن، سياتل، واشنطن، الولايات المتحدة الأمريكية. البريد الإلكتروني: acperof@uw.edu
  1. تظهر قائمة كاملة بالانتماءات في نهاية الورقة. البريد الإلكتروني: acperof@uw.edu
  2. (%)
    مقاطعات بيرس، سنوهوميش، كيتساب، سان خوان، واتكوم، سكاكيت، آيلاند، كلالام، جيفرسون، ميسون، وثورستون.
    الانحراف المعياري.
    توزيعات مكان الإقامة، الجنس، والعمر للأفراد الذين يساهمون بعينات تنفسية في مختلف أذرع مراقبة دراسة إنفلونزا سياتل (SFS)، بما في ذلك المستشفيات، اختبار المجتمع SFS (مثل الأكشاك، الاختبار في المنزل مع المسحات والإرسال، العيادات الخارجية)، ومواقع اختبار COVID-19 عبر القيادة التابعة للصحة العامة – سياتل ومقاطعة كينغ.
  3. قمنا بمقارنة القيم قبل وبعد كل حدث باستخدام اختبارات البوتستراب غير المعلمية لنسبة متوسطين. نسب المتوسطات، فترات الثقة، وثنائية الجانب تم تقدير القيم من 1000 إعادة عينة.

Journal: Nature Communications, Volume: 15, Issue: 1
DOI: https://doi.org/10.1038/s41467-024-48528-2
PMID: https://pubmed.ncbi.nlm.nih.gov/38755171
Publication Date: 2024-05-16

Impacts of human mobility on the citywide transmission dynamics of 18 respiratory viruses in pre- and post-COVID-19 pandemic years

Received: 11 December 2023
Accepted: 2 May 2024
Published online: 16 May 2024

Amanda C. Perofsky © , Chelsea L. Hansen © , Roy Burstein © , Shanda Boyle © , Robin Prentice © , Cooper Marshall © , David Reinhart , Ben Capodanno © , Melissa Truong , Kristen Schwabe-Fry , Kayla Kuchta , Brian Pfau , Zack Acker , Jover Lee , Thomas R. Sibley © , Evan McDermot © , Leslie Rodriguez-Salas , Jeremy Stone , Luis Gamboa , Peter D. Han , Amanda Adler , Alpana Waghmare , Michael L. Jackson , Michael Famulare , Jay Shendure © , Trevor Bedford , Helen Y. Chu , Janet A. Englund (1) , Lea M. Starita & Cécile Viboud

Abstract

Many studies have used mobile device location data to model SARS-CoV-2 dynamics, yet relationships between mobility behavior and endemic respiratory pathogens are less understood. We studied the effects of population mobility on the transmission of 17 endemic viruses and SARS-CoV-2 in Seattle over a 4-year period, 2018-2022. Before 2020, visits to schools and daycares, within-city mixing, and visitor inflow preceded or coincided with seasonal outbreaks of endemic viruses. Pathogen circulation dropped substantially after the initiation of COVID-19 stay-at-home orders in March 2020. During this period, mobility was a positive, leading indicator of transmission of all endemic viruses and lagging and negatively correlated with SARS-CoV-2 activity. Mobility was briefly predictive of SARS-CoV-2 transmission when restrictions relaxed but associations weakened in subsequent waves. The rebound of endemic viruses was heterogeneously timed but exhibited stronger, longerlasting relationships with mobility than SARS-CoV-2. Overall, mobility is most predictive of respiratory virus transmission during periods of dramatic behavioral change and at the beginning of epidemic waves.

In early 2020, there was widespread adoption of public health measures to slow the spread of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). A variety of non-pharmaceutical interventions (NPIs) were implemented in most countries to reduce contact between infected and susceptible individuals, including shelter-in-place or stay-at-home orders, gathering restrictions, school and business closures, and travel bans. These interventions were
effective at reducing not only SARS-CoV-2 transmission but also the spread of other directly transmitted respiratory pathogens . Many endemic respiratory viruses did not return to widespread circulation until the end of 2020 or , coinciding with the gradual lifting of social distancing measures and mask mandates.
During the COVID-19 pandemic, aggregated location data from mobile phones became an important source of information on
changes in population-level movements and the effectiveness of NPIs on SARS-CoV-2 transmission . However, few studies have explored relationships between human mobility and the dynamics of endemic respiratory pathogens during the pandemic. Here we define “endemic” pathogens as those that have regular periodic cycles and stable rates of infection in outbreak periods. Due to the lack of circulation of endemic respiratory viruses in the first years of the pandemic, population susceptibility to these pathogens is expected to have increased, leading to earlier, larger, or more severe epidemics a few months later . Understanding the influence of mobility patterns on the dynamics of endemic pathogens is important for predictive purposes, especially as perturbed circulation can lead to overlapping epidemics of different pathogens and, in turn, put extreme pressure on the healthcare system (e.g., the US “tripledemic” during winter 2022-2023) .
Here, we investigate the impacts of population behavior on the transmission dynamics of respiratory viruses in the greater Seattle, Washington region over a 4-year period, November 2018 to June 2022, using uniquely detailed data from hospital- and community-based respiratory surveillance and the collective movements of mobile device users. To determine which behavioral indices may best capture transmission-relevant contacts, we systematically relate changes in the daily transmissibility of 18 common respiratory viruses to trends in within-city mixing, visitor inflow, the percentage of devices staying home, foot traffic to various categories of points of interest (POIs), masking, and COVID-19 NPIs. These viruses span different transmission modes, seasonal cycles, and age distributions of infection and include SARS-CoV-2, influenza viruses ( , and B ), respiratory syncytial viruses (RSV A and B), seasonal coronaviruses ( hCoV 229E, OC43, HKU1, and NL63), human metapneumovirus (hMPV), human parainfluenza viruses (hPIV1,2,3, and 4), human rhinovirus (hRV), nonrhinovirus enterovirus (EV), and adenovirus (AdV).

Results
Study overview

We use detailed individual-level surveillance data from the Seattle Flu Study (SFS), which launched in the Fall of 2018 to improve detection and control of epidemics and pandemics . SFS carried out intensive hospital and community-based surveillance with systematic molecular testing of nasal swabs for up to 26 respiratory pathogens (Table S1). Our study spans November 19, 2018, to June 30, 2022, during which respiratory specimens were collected from individuals with and without respiratory illness across a variety of sites throughout the Seattle metropolitan region, as previously described . In total, SFS screened 138,050 respiratory specimens for the presence of 24 or 26 pathogens (Table S1), and we retained 80,891 specimens after limiting our analysis to symptomatic individuals and discarding samples with missing metadata or from multiple testing (Table 1, Table S2). 25.5% ( ) of samples were collected in hospitals, and ( ) were collected through community-based testing, including outpatient clinics, kiosks stationed in high foot traffic areas , swab-and-send at-home testing programs , and Public HealthSeattle & King County COVID-19 drive through testing sites (Table 1,Table S2). The majority of hospital residuals were collected from younger age groups, while most community-based samples were collected from adults (Table 1, Figure. S1, Table S2).
Over the course of the four-year study, of specimens tested positive for at least one respiratory pathogen (including SARS-CoV-2), were positive for at least one endemic respiratory pathogen, and were positive for more than one pathogen. Prior to the start of Washington’s COVID-19 restrictions in March 2020, the most prevalent pathogens among positive samples were influenza A/H1N1 virus ( ), followed by hRV ( ), influenza A/H3N2 virus ( ), influenza B virus ( ), and RSV A ( ) (Figure. S2). After March 2020, the most prevalent pathogens were SARS-CoV-2 (39.3%), hRV (35%), and AdV (5%) (Figure. S2).
We reconstructed daily incidences for SARS-CoV-2 and each endemic pathogen, adjusting for testing volume over time, age, clinical setting, and local syndromic respiratory illness rates (Fig. 1, Figure. S3). Although SFS tested respiratory specimens for up to 26 pathogens, we limited our analysis to 18 viruses with sufficient sampling (see “methods” for inclusion criteria), including SARS-CoV-2, influenza A/H1N1, A/ H3N2, and B viruses, RSV A and B, hCoV 229E, OC43, HKU1, and NL63, hPIV 1, 2, 3, and 4, hMPV, hRV, EV, and AdV (Fig. 1, Figure. S3). Due to laboratory assay limitations, we grouped epidemiologically distinct strains into one incidence time series each for hCoV 229 E and hCoV OC43 (hereon hCoV 229E + OC43), hCoV HKU1 and hCoV NL63 (hCoV HKU1 + NL63), hPIV 1 and hPIV 2 (hPIV 1+2), hPIV 3 and hPIV 4 (hPIV 3 + 4), hRV, EV, and AdV (Table S1).
Based on reconstructed incidences, we used semi-mechanistic epidemiological models to measure the time-varying intensity of transmission via the daily effective reproduction number (Fig. 1). is the average number of secondary cases arising from an infectious individual at time , assuming epidemiological conditions remain identical after that time . To estimate based on dates of infection, we convolved over uncertain incubation period and reporting delay distributions (i.e., delays from symptom onset to
Table 1 | Participant characteristics
Site Category
Variable All sample sites, N=80,891 Hospital residuals, N = 20,659 SFS community surveillance, N=52,276 COVID-19 drive through testing,
Home residence
North King County 47,412 (59%) 10,464 (51%) 31,342 (60%) 5,606 (70%)
South King County 17,964 (22%) 4,433 (21%) 11,846 (23%) 1,685 (21%)
Puget Sound, nonKing County 15,515 (19%) 5,762 (28%) 9,088 (17%) 665 (8.4%)
Sex
Female 44,691 (55%) 9,407 (46%) 30,888 (59%) 4,396 (56%)
Male 35,795 (44%) 11,249 (54%) 21,074 (41%) 3,472 (44%)
Other 44 ( < 0.1%) 0 (0%) 44 ( < 0.1%) 0 (0%)
(Missing) 361 3 270 88
Mean (s.d. ) age 31 (21) 15 (20) 35 (18) 47 (18)
Age group
<1 3,459 (4.3%) 2,990 (14%) 469 (0.9%) 0 (0%)
1-4 9,839 (12%) 6,368 (31%) 3,341 (6.4%) 130 (1.6%)
5-17 10,698 (13%) 5,830 (28%) 4,586 (8.8%) 282 (3.5%)
18-49 40,311 (50%) 3,310 (16%) 33,022 (63%) 3,979 (50%)
50-64 10,902 (13%) 1,209 (5.9%) 7,515 (14%) 2,178 (27%)
5,682 (7.0%) 952 (4.6%) 3,343 (6.4%) 1,387 (17%)
Broad age group
<5 13,298 (16%) 9,358 (45%) 3,810 (7.3%) 130 (1.6%)
67,593 (84%) 11,301 (55%) 48,466 (93%) 7,826 (98%)
Fig. 1 | Daily incidence and transmissibility of endemic respiratory viruses and SARS-CoV-2 in the greater Seattle region. A Daily time-varying effective reproduction numbers ( , thick lines, left y-axis) and reconstructed incidences of endemic respiratory viruses (thin lines, right y-axis) during November 2018-June 2022. The vertical blue shaded panel indicates the timing of a major snowstorm in Seattle (February 3-15, 2019), the vertical dashed line indicates the date of Washington’s State of Emergency declaration (February 29, 2020), and the vertical
orange shaded panel indicates Seattle’s stay-at-home period (March 23-June 5, 2020). B Daily time-varying effective reproduction numbers of SARS-CoV-2 ( , thick green line, left y-axis), King County COVID-19 case counts (thin green line, right -axis), and the stringency of non-pharmaceutical interventions in Washington state, measured by the Oxford Stringency Index (thin orange line, left y-axis), during January 2020 – June 2022. In and daily time series show the posterior median (thin dark line) and credible interval (shaded band).
testing), wherein delays were informed by our individual-level surveillance data (see “Supplementary Methods”). We used aggregated mobile device location data from SafeGraph and Meta Data for Good to assess the effects of population-level movements on citywide respiratory virus dynamics in pre- and post-pandemic years (Figs. 2-3). During the pandemic period, we also considered the effects of nonmobility behavioral indicators, including the stringency of Washington’s government response to COVID-19, measured by the Oxford Stringency Index (Fig. 1), and the proportion of individuals masking in public (Fig. 2).
Declines in mobility correlate with reduced respiratory virus circulation during a major snowstorm in February 2019
Most endemic viruses in our study, including influenza A viruses, RSV, hCoV, hPIV 3+4, hMPV, hRV, EV, and AdV, circulated during the 2018-2019 winter season. This season was atypical in that Seattle experienced unusually high snowfall during February 2019, prompting widespread school and workplace closures and reduced regional travel from February 3 to February 15, 2019. The mobility categories most impacted by the snowstorm included foot traffic to elementary and high schools, colleges, and transit stations ( declines below
Fig. 2 | Mobility and behavior trends in the greater Seattle region based on aggregated mobile device location data, November 2018 – June 2022. In each panel, the vertical blue shaded panel indicates the timing of a major snowstorm in Seattle (February 3-15, 2019), the vertical dashed line indicates the date of the Washington’s State of Emergency declaration (February 29, 2020), and the vertical orange shaded panel indicates Seattle’s stay-at-home period (March 23-June 5, 2020). A The percent change from baseline for large-scale population movements: within-neighborhood movement (purple), between-neighborhood movement
(green), inflow of visitors from other Washington counties (red), and inflow of out-of-state visitors (light blue). B The percent change from baseline in foot traffic to various categories of points of interest (POIs): transit stations (purple), full-service restaurants (dark yellow), religious organizations (green), groceries and pharmacies (pink), colleges and universities (light green), and elementary and high schools (blue). C The percentage of devices staying completely at home (purple, left -axis) and the percentage of individuals masking in public in King County (dark green, right -axis).
baseline), visits to child daycare centers, and the inflow of out-of-state visitors ( declines below baseline) (Fig. 2, Figure. S4). As previously described , this city-wide shutdown led to a conspicuous dip in the incidence of several pathogens (Figure. S5).
To measure the overall impact of the snowstorm on virus circulation, we compared pathogen specific values during the two weeks before and after the start of heavy snowfall on February 3, 2019 (Table 2). RSV, AdV, and EV were the pathogens most affected by weather-related disruptions ( declines), followed by influenza viruses and hCoV ( declines) (Table 2). Influenza A/H3N2 virus,
hPIV 3+4, hMPV, hRV, EV, and AdV rebounded after schools and workplaces reopened, and their epidemics subsequently peaked from mid-March to early April 2019 (Figure. S5).
During February 2019, reductions in mobility preceded or coincided with declines in pathogen transmission, though the strength of correlations varied across pathogens (Figures. S6-S7). Among pathogens with the most substantial declines (RSV, AdV, and EV), drops in coincided most closely with reductions in visitor inflow and foot traffic to schools, child day care centers, restaurants, and religious services (mean Spearman’s rank cross-correlation
Fig. 3 | Undirected network of mobile device movement between neighborhoods (census block groups, CBGs) in Seattle, Washington, during key epidemiological time points. Time points include a major snowstorm in February 2019, a week in July 2019 to show baseline movement, the beginning of stay-at-home orders in March 2020, a week during the Delta wave in July 2021, and a week during the Omicron BA. 1 wave in January 2022. A Weekly visitors to points of interest (POI) are aggregated by visitor home CBG and POI CBG. Network edges (lines) are shaded
according to the number of unique visitors between each pair of CBGs within a particular week, with thicker, darker edges indicating a greater number of visitors. B Histograms showing the frequency of degree values for Seattle neighborhoods (i.e., the integer number of other neighborhoods to which each individual neighborhood is connected) at each time point. The vertical dashed line overlaying each histogram indicates the median degree of the network of Seattle neighborhoods.
coefficients, range: 0.79-0.98; all reported correlations are statistically significant; Figures. S6-S7). For pathogens that did not experience declines in transmission (hPIV , hMPV, and hRV), had negative or non-significant associations with mobility during the snowstorm (Figures. S6-S7).
Table 2 | Changes in transmissibility (time-varying effective reproduction numbers, ) during the two weeks before and after two events: a major snowstorm in February 2019 and the initiation of COVID-19 social distancing measures in March 2020
Pathogen Major snowstorm, February 2019 Early COVID-19 restrictions, March 2020
Change in P-value Change in P-value
Influenza A/H3N2 -12 [-17, -7] % Not circulating
Influenza A/H1N1 -19 [-24, -15] % -43 [-54, -33] %
Influenza B Not circulating -15 [-17, -12] %
RSV A -40 [-45, -35] % -9 [-13, -5] %
RSV B -37 [-40, -32] % -4 [-5, -2] %
hMPV 19 [16, 22] % 0.001 -21 [-22, -19] %
hPIV 1+2 Not circulating Not circulating
hPIV 3+4 14 [9,18] % 0.001 -21.5 [-22, -21] %
hCoV 229E + OC43 -10 [-14, -5] % -20 [-21, -19] %
hCoV HKU1 + NL63 -18 [-19, -17] % -25 [-28, -22] %
hRV 2 [0, 3] % 0.073 -29 [-32, -26] %
EV -33 [-40, -25] % -31 [-53, -13] % 0.003
AdV -39 [-43, -33] % -33 [-45, -21] %
SARS-CoV-2 Not circulating -39 [-54, -25] %

Relationships between mobility and pathogen transmission during the 2019-2020 winter season (pre-pandemic)

The 2019-2020 virus respiratory season was a relatively typical season in Seattle with heightened activity of many common respiratory viruses (Fig. 1). During Fall 2019, visits to child daycares, schools, colleges, and religious organizations preceded or coincided with initial increases in the circulation of influenza viruses, RSV, hMPV, hCoV, AdV, and hPIV (moving window Spearman’s rank crosscorrelation coefficients, range: ; all reported correlations are statistically significant; Fig. 4, Figure. S8). Large-scale movements also correlated with changes in endemic virus transmissibility, in particular, the percentage of devices leaving home (RSV, hCoV HKU1 + NL63, hPIV 3 + 4, and influenza A/H1N1; : 0.5 0.82 ) and between-neighborhood movement (AdV, hMPV, RSV A, hPIV1 + 2, and influenza B; : 0.48 – 0.82 ) (Fig. 4, Figure.S8). For most pathogens, the strongest relationships between transmission and mobility occurred at the beginning of the season in early autumn (Fig. 4, Figure. S8).
We used multivariable generalized additive models (GAMs) to measure non-linear relationships between mobility and and model selection of GAMs to assess the relative importance of different indicators in predicting during the 2019-2020 season, prior to the start of the COVID-19 pandemic (September 2019-February 2020). For each pathogen, we allowed candidate models to include a smoothed temporal trend and up to two smoothed mobility terms. GAMs were fit to timeframes spanning the exponential growth phase of each outbreak, when exceeds 1 and susceptible depletion is limited. For most pathogens, minimal models included a schoolrelated behavioral indicator (foot traffic to schools or colleges) and a covariate related to large-scale population movement (the percentage of devices leaving home or out-of-state inflow), with the partial effects of most mobility covariates monotonically increasing with (Figure. S9).
Fig. 4 | Time series cross-correlations and optimal lags between respiratory virus transmissibility (time-varying effective reproduction numbers, ) and cell phone mobility in the greater Seattle region, September 2019 – May 2020. Points are individual mobility indicators derived from aggregated mobile device location data. Spearman’s rank correlation coefficients are on the -axis, and temporal lags (in weeks) between and mobility are on the x-axis. Negative lags
indicate behavior leads , and positive lags indicate leads behavior. A lag of 0 indicates the two time series are in phase (i.e., synchronous). The yellow shaded panel in each facet includes mobility indicators that have a leading, positive relationship with transmission, and hence would be considered predictive of transmission. Figure. S10 shows cross-correlations for the full set of mobility indicators.

Initial effects of COVID-19 restrictions on mobility and respiratory virus circulation

The first SARS-CoV-2 infections in Washington state arose from a single introduction in late January or early February 2020, and at least one clade was circulating in the Seattle area for weeks prior to February 28 , when the first community-acquired case was reported . To slow the spread of SARS-CoV-2, Washington declared a State of Emergency on February 29, closed schools in King, Pierce, and Snohomish counties on March 12, and enacted statewide stay-at-home (SAH) orders on March 23. In the interim, King County recommended that workplaces allow employees to work from home on March 4 and closed indoor dining and many other businesses on March 16.
Mobility levels declined substantially after February 29, and by the start of King County’s business closures on March 16, foot traffic to transit stations was > below baseline, foot traffic to schools and colleges was below baseline, and out-of-state inflow and withincity mixing were below baseline (Fig. 2, Figure. S4). After the enactment of SAH orders on March 23, foot traffic to POIs and largescale movements declined to 65-95% below baseline (Fig. 2, Figure. S4), while the percentage of devices staying completely at home increased to 50% (Fig. 2). Notably, social distancing measures altered not only the
volume of movement between Seattle neighborhoods but also the presence and absence of connections between neighborhoods (Fig. 3).
The transmission rates of all respiratory pathogens dropped substantively after the State of Emergency, though some seasonal pathogens were already declining prior to February 29 (Fig. 1, Figure. S3). We measured the initial impacts of COVID-19 NPIs on respiratory virus circulation by comparing values during the 2 weeks before and after the State of Emergency declaration on February 29 (Table 2). Early public health measures were effective at lowering SARS-CoV-2 transmission rates by [95% CI: 25, 54]. Among endemic pathogens, influenza A/H1N1 virus, AdV, EV, and hRV were the most impacted by pandemic-related behavioral changes, experiencing reductions in transmissibility by March 16, followed by hPIV 3+4, hMPV, and hCoV (20-25% declines). Reductions in RSV and influenza B virus were more modest, given their seasonal outbreaks had mostly concluded by late February. The hPIV 1+2 outbreak subsided in mid-February and thus was not impacted by COVID-19 NPIs.
We observed strong relationships between mobility and the transmission of respiratory pathogens in the Spring of 2020. All mobility metrics were positive, leading indicators of across all
Fig. 5 | Relationships between SARS-CoV-2 transmission and mobility, masking, and the stringency of non-pharmaceutical interventions in the greater Seattle region, January 2020 – March 2022. The vertical green dashed line indicates the date of Washington’s State of Emergency declaration (February 29, 2020), and the vertical orange shaded panel indicates Seattle’s stay-at-home period (March 23 – June 5, 2020). The blue shaded panels indicate the timing of four COVID-19 waves in Seattle. A. Weekly effective reproduction numbers ( ) of SARS-CoV-2, including the posterior median (thin dark line) and credible interval (shaded band). B. Rolling Spearman’s rank cross-correlations between weekly
and behavioral indicators. Points represent the maximum (absolute) coefficient values for 5-month rolling cross-correlations between weekly and individual mobility metrics, after constraining the analysis to leading or synchronous relationships between mobility and . Point color and the number within each point indicate the lag in weeks corresponding to the maximum cross-correlation coefficient value for each 5-month period (“optimal lag”). Negative values indicate that behavior leads , and a lag of 0 indicates the time series are in phase (i.e., synchronous). Point transparency indicates statistical significance of the crosscorrelation coefficient (yes: solid, no: transparent).
endemic viruses (Fig. 4, Figures. S10-S11). In contrast, mobility lagged and was negatively correlated with SARS-CoV-2 transmission during this period (Fig. 4, Figures. S10-S11). COVID-19 restrictions began to relax on May 4, 2020, when King County entered Phase 1 of the state’s reopening plan, allowing outdoor dining, worship services, and fitness centers to reopen with limited capacity. SARS-CoV- values ranged from 0.8 to 0.9 throughout April and May and did not surpass 1 until early June (Fig. 1). During late April and May, SARS- became positively correlated and synchronous with most mobility indicators (moving window Spearman’s : 0.59-0.92) and inversely correlated with the stringency of NPIs ( :-0.85–0.7) (Fig. 4, Figures. S10-S11). Yet, these relationships did not persist after the virus’s initial rebound in early June 2020, when King County reopened indoor dining and additional businesses (Figures. S10-S11).
Due to simultaneous changes in all mobility metrics, we could not differentiate the effects of individual indicators on during Seattle’s SAH period.
Population mobility did not immediately recover after SAH orders were lifted in June 2020 (Figs. 2-3, Figure. S4). Visitor inflow from other WA counties and US states remained depressed at levels below baseline until the spring and summer months of 2021, and within-and-between-neighborhood movement had not returned to pre-pandemic levels by the conclusion of our study in June 2022 (Figs. 2-3, Figure. S4). Further, SAH orders caused long-lasting structural changes to the mobility network of Seattle, wherein neighborhoods with a high degree of centrality (“hubs”) were most affected (Fig. 3). After March 2020, neighborhoods with fewer than 10 connections to other neighborhoods became much more prevalent in the network, causing an
overall downshift in the mobility network’s median degree for the remainder of the study period (Fig. 3).

Associations between SARS-CoV-2 transmission and behavior differ across COVID-19 waves

We measured cross-correlations between SARS-CoV-2 transmission, mobility, masking, and NPI stringency during subsequent pandemic waves in Seattle (Fig. 5). After its first two COVID-19 outbreaks in Spring 2020 and Summer 2020, Seattle experienced a large third wave during winter 2020-2021 despite high masking rates (Fig. 5). During the early, exponential growth stage of the outbreak, increases in coincided with foot traffic to religious services and restaurants (moving window Spearman’s : ). During the remainder of the wave, the percentage of devices leaving home ( : 0.57-0.85), influx of visitors from other WA counties and US states ( ), and stringency of NPIs ( ) preceded or coincided with dynamics in (Fig. 5). A smaller wave associated with the Alpha variant spanned March to May 2021, during which was not significantly associated with mobility (Fig. 5). COVID-19 cases and hospitalizations surged again in July 2021, due to the spread of the highly transmissible Delta variant. From June to late July 2021, increases in were synchronous with foot traffic to restaurants, the percentage of devices leaving home, visitor inflow, and the proportion of individuals not masking in public ( : 0.66-0.94) (Fig. 5). The Omicron BA. 1 variant was first identified in the U.S. on December 1, 2021, and confirmed in Washington state on December 4, 2021. Compared to prior variants of concern (VOCs), Omicron BA. 1 had increased immune evasion and greater intrinsic transmissibility . In Seattle, slight increases in within-neighborhood movement and foot traffic to groceries and pharmacies preceded the rapid uptick in Omicron cases during December 2021 ( : 0.63-0.89), while drops in several mobility indices led the sharp decline in cases during January 2022 (Fig. 5). Minimal GAMs fit to the exponential growth phase of each COVID-19 wave retained the percentage of devices leaving home, the proportion of individuals masking in public, foot traffic to restaurants, or out-of-state inflow (Figure. S12), though associations between behavior and were often nonlinear.

Mobility predictors of endemic pathogen rebound during the COVID-19 pandemic

We observed a remarkably fast rebound of hRV , and AdV and EV to a lesser degree, when SAH restrictions relaxed in early June 2020 (Fig. 1). Increases in hRV transmission were preceded by or synchronous with foot traffic to child daycares, restaurants, and transit stations and large-scale movements, including the percentage of devices leaving home, within-city mixing, and out-of-state inflow, from June to early August 2020 (moving window Spearman’s : 0.54-0.96; Figure. S13), inversely correlated with NPI stringency from late August to early October 2020 ( to -0.58 ), and continuously correlated with foot traffic to religious organizations and inflow from other WA counties until early 2021 ( : 0.55-0.97) (Figure. S13). From June to late August 2020, the rebound of AdV was preceded by or synchronous with slight increases in foot traffic to schools and religious organizations ( : ) and negatively correlated with NPI stringency ( : -0.74 to -0.61) (Figure. S13). Lastly, EV briefly correlated with most mobility metrics during its initial rebound in June and July 2020 ( : 0.53-0.81; Figure. S13). For all three viruses, minimal GAMs fit to the first six months of rebound retained foot traffic to religious services and out-of-state inflow (Figure. S14).
Resurgence of other endemic viruses, including hCoV, hPIV, hMPV, and RSV B, was not observed until early-to-mid 2021, and epidemic peaks for hCoV, hMPV, and RSV B occurred during the spring or summer outside of their typical seasons (Fig. 1). We measured univariate associations between mobility, masking, NPI stringency, and daily transmissibility and found fewer clear relationships compared to
Seattle’s SAH period and the 2019-2020 winter season. Several mobility indicators preceded or coincided with the rebound of these viruses (Figure. S15). For example, at the beginning of RSV B’s rebound in summer 2021, increases in were preceded by betweenneighborhood movement and foot traffic to schools, child daycares, and religious services ( ) and synchronous with the percentage of devices leaving home, the proportion of individuals not masking in public, foot traffic to restaurants, and out-of-state inflow ( : 0.57-0.86) (Figure. S15). However, associations between mobility and RSV B were more transient compared to the pre-pandemic period, persisting for months (Figure. S15) instead of months (Figure. S8). Minimal GAMs fit to the first months of each virus’s rebound retained between neighborhood movement, out-of-state inflow, or foot traffic to religious services, though relationships between mobility and were often nonlinear and not consistently positive (Figure. S16).
In late 2021, endemic virus circulation declined as Omicron cases surged, and reductions in endemic virus transmission were preceded by or coincided with drops in mobility (Figures. S13, S15, S17). For example, reductions in most mobility indicators preceded declines in RSV B, hMPV, hCoV, AdV, and hPIV circulation by 1 to 4 weeks, while reduced visits to child daycares, religious services, restaurants, colleges, and transit stations were synchronous with declines in hRV transmission (Figures. S13, S15). The transmission rates of RSV B, hMPV, hCoV, RV, and AdV also correlated with the percentage of devices staying home, which spiked from to in December 2021 (Fig. 2, Figure. S17). During the Omicron BA. 1 wave, the best fit minimal GAMs for endemic viruses retained a school-related behavioral indicator, the percentage of devices leaving home, betweenneighborhood movement, or out-of-state inflow, similar to results observed for the 2019-2020 season (Figure. S18).

Short-term forecasting of daily transmissibility using mobility data

Although our study’s aim was inferential rather than predictive, we built forecasting models predicting daily at one-week horizons for three viruses that circulated continuously throughout the study period: hRV, AdV, and SARS-CoV-2 (Figures. S19-S21; see “Supplementary Methods”). We evaluated the predictive power of cellphone-derived mobility metrics, the co-circulation of other viruses, and climatic variables, in combination with the past activity of the target virus during the previous two weeks ( 14 autoregressive terms), against a baseline model that only included autoregressive (AR) terms. An additional model for SARS-CoV-2 spanning 2021-2022 included covariates for vaccination coverage and variant emergence (Figure. S22).
For each virus, models including mobility and AR terms produced generally accurate forecasts over the entire study period (RMSE: hRV: 0.013; AdV: 0.04; SARS-CoV-2: 0.03; Table S3), and especially during Seattle’s stay-at-home orders and the initial lifting of restrictions (RMSE: hRV: 0.006; AdV: 0.02; SARS-CoV-2: 0.02; Table S4). When forecasting SARS-CoV-2 during 2021-2022, covariates for vaccination and variant circulation did not improve model accuracy, but models including mobility had a 13% improvement in prediction RMSE relative to the baseline model (Table S5). When assessing model accuracy over the entire study period, models including mobility, climatic variables, or viral interference did not outperform baseline models for any of the three viruses (Figures. S19-S21; Table S3). Thus, although mobility data can provide small to moderate benefits to prediction accuracy, the additional information provided by past population movements is limited in comparison to the knowledge of past disease incidence .

Discussion

We investigated the impacts of human behavior on the transmission of respiratory viruses in the greater Seattle region during pre- and post-
pandemic years by modeling incidence derived from hospital and community-based respiratory surveillance and human movements from high-resolution mobile device location data. From November 2018 to June 2022, we characterized the epidemiological dynamics of 17 endemic viruses and SARS-CoV-2 and related changes in daily transmissibility (time-varying effective reproduction numbers, ) to trends in population mobility, masking, and COVID-19 non-pharmaceutical interventions (NPIs). To our knowledge, this is the first study to explore the effects of mobility and behavior on transmission across a large set of endemic pathogens; interestingly, we saw notable heterogeneity in the timing and size of each endemic pathogen’s rebound during the pandemic period.
Mobility was most predictive of transmission during periods of dramatic behavioral change, as observed during Seattle’s stay-at-home (SAH) orders in March 2020. Smaller-scale changes in mobility also preceded or coincided with increases in at the beginning of outbreaks and with declines in during shorter interruptions to human movement, as observed during a major snowstorm in February 2019 and the Omicron BA. 1 wave in late 2021. Across all endemic viruses, trends in daily were repeatedly associated with the same set of mobility metrics, including foot traffic to elementary and high schools, colleges, child daycare centers, and religious organizations, the percentage of devices leaving home, between-neighborhood movement, and the inflow of visitors from other WA counties and US states. After the SAH period, SARS-CoV-2 transmission correlated with foot traffic to restaurants, religious organizations, and colleges, the percentage of devices leaving home, and visitor inflow. Foot traffic to specific businesses and educational and religious activities may approximate close contacts or crowded conditions that facilitate direct, aerosol, or droplet transmission, while the percentage of devices leaving home, within-city mixing, and inflow from other regions may be indicative of human movements that promote viral introductions and dispersal.
The age distribution of infections may explain slight differences in which categories of POIs correlated with endemic virus transmission versus SARS-CoV-2 transmission. Recurrent associations between endemic virus and visits to schools and daycares are consistent with children experiencing the highest rates of (endemic) respiratory infections and schools and daycares acting as a major source of transmission in the community . Unlike endemic respiratory viruses, all age groups are susceptible to SARS-CoV-2 infection. Correlations between SARS-CoV-2 and foot traffic to colleges, religious organizations, and restaurants, but not schools or daycares, could be attributed to greater rates of symptomatic infection (and hence shedding propensity) in adults relative to younger age groups or to the greater relevance of adult networks in spreading SARS-CoV-2 compared to endemic viruses.
COVID-19 NPIs significantly perturbed the transmission of respiratory pathogens at a global level , causing the complete disappearance, delayed return, or “off-season” outbreaks of endemic pathogens . In Seattle, all endemic respiratory viruses experienced rapid declines at the beginning of Seattle’s SAH orders in March 2020, but as restrictions eased, their rebound was heterogeneous. Similar to trends observed in the US and other countries , the circulation of hRV, EV, and AdV resumed in early June 2020, immediately after nonessential businesses and indoor dining reopened, while other respiratory viruses virtually disappeared during March 2020 and did not recirculate until 2021. Further, the resurgence of RSV B, hCoV, and hMPV occurred outside of their typical seasons, as reported in other locations . After the initial easing of COVID-19 restrictions, relationships between endemic virus dynamics and mobility were less clear compared to Seattle’s SAH orders or the 2019-2020 winter season, potentially due to continued social distancing and masking, a more refined understanding of “high-risk” activities, the delay of in-person instruction for school students until spring 2021, or structural changes to Seattle’s mobility network. Nonetheless, associations between
endemic virus and population behavior were overall stronger and longer-lasting than those observed for SARS-CoV-2.
It is remarkable that the three viruses that rebounded immediately after lockdown restrictions lifted, hRV, EV, and AdV, are nonenveloped viruses, while the other viruses studied here are enveloped. The immediate rebound of non-enveloped viruses could be attributed to viral stability and persistence. Non-enveloped viruses are less susceptible to lipophilic disinfection and can persist on hands and fomites for longer periods of time than enveloped viruses . In addition to the presence or absence of an envelope, several other factors, such as transmission mode, seasonality, source/sink dynamics, and duration of infectious period and immunity, could have affected the timing of rebound. While enveloped viruses disappeared in March 2020, nonenveloped viruses may have continued to spread during SAH restrictions, due to their longer periods of viral shedding, high preexisting community prevalence, or ability to persist on environmental surfaces . We hypothesize that low levels of transmission or residual viral particles on surfaces, combined with slight increases in movement, close contacts, and visitor inflow, were sufficient to facilitate the rapid rebound and ongoing transmission of hRV, EV, and AdV after SAH orders were lifted in June 2020. Further, surgical masks are less effective at filtering hRV compared to influenza viruses and seasonal coronaviruses .
Our study period encompasses the two respiratory virus seasons prior to the start of the COVID-19 pandemic and two pandemic years. The Seattle Flu Study (SFS) began collecting samples in November 2018, which precluded us from evaluating potential leading indicators of transmission at the beginning of the 2018-2019 season. However, we were able to detect strong links between mobility and transmission in February 2019 when a major snowstorm forced work and school closures, consistent with previous SFS research that did not specifically examine cell phone mobility patterns . SFS continued to collect respiratory samples throughout 2019, enabling us to test for leading indicators of transmission during the 2019-2020 winter season. During Fall 2019, the transmission dynamics of enveloped viruses were more strongly correlated with mobility than those of non-enveloped viruses. For enveloped viruses, foot traffic to schools and colleges, betweenneighborhood movement, and visitor inflow preceded or coincided with increases in transmission, with associations between and mobility weakening over the course of the season, presumably due to accumulating immunity in the population. During this same period, non-enveloped viruses had fewer positive relationships with mobility, potentially because hRV, EV, and AdV circulate year-round and have less defined peaks and troughs.
SARS-CoV-2 began circulating in the greater Seattle region during January or February , with the first community-acquired case confirmed on February 28, 2020. Mobility had a negative, lagging relationship with SARS-CoV-2 during the early months of 2020, suggesting that Seattle residents adjusted their behavior in response to COVID-19 case counts or restrictions rather than the reverse. This result is consistent with a comprehensive analysis of US counties, which found that not all major cities (e.g., San Francisco) experienced strong positive associations between mobility and infection growth rates during the first wave . A caveat is that estimates during this time were likely upwardly biased due to low case counts, sampling biases, and rapid increases in testing capacity and may not have fully captured the steepness of transmission declines after NPIs were implemented. To mitigate this issue, we limited SARS-CoV-2 estimates to dates after February 28, 2020, when the first communityacquired case was detected and cumulative confirmed cases exceeded 50 . We also applied centered smoothing windows to case counts, estimates, and mobility indicators so that cross-correlations captured broad signals that were accurately oriented in time . After March 2020, mobility was briefly predictive of SARS-CoV-2 transmission when social distancing restrictions first relaxed in summer 2020 and during
the winter 2020-2021, Delta and Omicron BA. 1 waves, though relationships were less clear compared to the stay-at-home period.
Climate affects the stability and seasonal dynamics of respiratory viruses but was an unlikely driver of endemic virus resurgence in Seattle. hRV, EV, and AdV have year-round circulation with peaks in the spring and late summer or early autum , while influenza viruses, RSV, hCoV , hMPV, and hPIV have distinct seasonality with peaks during the winter or spring . The lifting of SAH orders in June 2020 coincided with the typical timing of low circulation for enveloped viruses and increasing activity for non-enveloped viruses. However, the intersection of relaxing NPIs with warmer weather cannot account for the global differences observed between non-enveloped and enveloped virus rebound. The prolonged absence of influenza and RSV circulation was also reported during the Southern Hemisphere winter , and climatic factors cannot explain the rebound of , and RSV B outside of their typical seasons.
Our findings suggest that in-person school instruction played a key role in the rebound of enveloped viruses in Seattle. Prior research has shown that increased contact rates among older children during school terms influence the timing of seasonal influenza and “common cold” virus outbreaks , and younger children and adults acquire influenza and RSV infections from preschool or school-aged children living in the same household . All King County public school districts began the 2020-2021 academic year remotely , with some districts offering limited in-person instruction to special education students during Fall 2020. Foot traffic to schools was 75% below baseline in Fall 2020, gradually increased to below baseline during Spring 2021, and returned to baseline levels in Fall 2021. We observed that the circulation of hCoV, hPIV, and hMPV increased after elementary school students were offered in-person instruction in February and March 2021 and that the off-season RSV B wave in summer 2021 began directly after hybrid learning became available to all grades in midApril . These trends suggest that a year of remote learning and, in turn, reduced contacts among school-aged children contributed to the delayed return of enveloped virus circulation to Seattle.
The rebound of enveloped viruses also coincided with increasing rates of travel into Seattle. Annual influenza epidemics in North America are seeded via air travel by strains originating in East and Southeast Asia , and the regional spread of influenza viruses correlates closely with work commutes . We did not have data on international air travel or commuting patterns, but cell phone data show that the inflow of visitors from other WA counties and US states was below baseline throughout 2020 and did not return to prepandemic levels until late spring or summer 2021. Although the contribution of local persistence versus external seeding is less understood for other seasonal respiratory viruses, increasing inflow into Seattle likely imported cases from other regions, seeding new outbreaks .
Lastly, prolonged lack of exposure due to reduced viral circulation during 2020 and 2021 is expected to have increased the cohort of children completely naïve to various respiratory viruses and the waning of immunity in previously infected individuals . This “immunity debt” may have provided enough susceptible individuals to sustain spring and summer outbreaks of enveloped viruses. Although we expected these outbreaks to be larger or more severe than those observed during pre-pandemic seasons, substantial influenza and RSV epidemics did not occur until the Fall of 2022, potentially due to Seattle residents continuing to social distance and mask throughout 2021 or negative interference between Omicron BA. 1 viruses and endemic viruses during the 2021-2022 winter season. After the conclusion of our study, the 2022-2023 season saw atypically early outbreaks of influenza and RSV and higher hospitalization rates in children and adolescents compared to pre-pandemic seasons .
This study has limitations related to the type of cell phone mobility data used, its geographic scope, and the underlying
demographics of mobile device data in general. Young children experience the highest rates of endemic respiratory infections, but SafeGraph does not track individuals younger than 16 years of age. Nonetheless, we found that visits to schools and daycares were positive, leading indicators of transmission, both prior to and during the pandemic, demonstrating that cell phone data collected from adults can approximate the movements or contacts of children. Second, relationships between cellphone mobility and transmission are weaker in more sparsely populated areas , due to differences in the data generation process and representativeness between urban and rural locations. Because our study is limited to a single metropolitan region, our findings may not be applicable to rural counties. Third, although we found statistically significant associations between aggregate movement patterns and pathogen transmission, spatial colocation of mobile devices may better approximate the interpersonal contacts that underlie transmission . Although we would have liked to incorporate a spatial colocation metric into our analysis, at the time of writing, Meta Data for Good’s Colocation Map dataset was discontinued for our study period, and we did not know of other spatial location datasets that are publicly accessible. Lastly, longitudinal cross-sectional surveys on social interactions, such as the CoMix survey in England, can provide more direct measures of epidemiologically relevant behavior and more representative samples of populations than mobile device data . However, to our knowledge, similar data do not exist for the US.
Our findings are subject to other limitations. First, due to the limited number of seasons in our study, we could not determine if leading indicators of transmission are consistent across timespans longer than four years. Although SFS continued to conduct respiratory surveillance into the 2022-2023 winter season, its community surveillance approach changed substantially after July 2022, making it difficult to extend our study. Second, variability in test volume over time caused SFS surveillance to sometimes miss less prevalent pathogens. For example, SFS detected only a few cases during a small influenza A/H3N2 wave in spring 2022. Third, our multiplex PCR assay could not distinguish between types, strains, or serotypes of some pathogens ( hCoV , hPIV, AdV, EV, and hRV). Consequently, our estimates may average over heterogeneities in transmission dynamics among viruses belonging to the same species . Fourth, previous work has shown that SARS-CoV-2 transmission dynamics differed between North and South King County , presumably due to socioeconomic inequities (e.g., differences in income, household size, and proportion of essential workers) and North King County maintaining a greater reduction in mobility over time. However, we did not have sufficient surveillance data to explore geographic differences in the transmission dynamics of endemic viruses. Fifth, population immunity may modulate relationships between mobility and transmission; analysis of serologic data could shed light on this question. Additional research is needed to delineate the contributions of an increasingly susceptible population and decreased social distancing to the rebound of endemic viruses.
In summary, mobility patterns are most predictive of respiratory virus transmission during drastic changes in contacts and, to a lesser extent, at the beginning of epidemic waves. During the pandemic period, endemic respiratory viruses exhibited stronger relationships with mobility than pandemic SARS-CoV-2. As SARS-CoV-2 transitions to endemicity, relationships with mobility could gradually start to operate similarly to those of other enveloped viruses. Our study shows that mobile phone data can approximate transmission-relevant contacts and has the potential to support the surveillance of endemic respiratory viruses, with the caveat that relationships between transmission and mobility vary depending on the pathogen, magnitude of mobility change, and phase of the epidemic . Future research should consider other host factors, such as prior immunity, and more direct proxies of interpersonal contacts to further disentangle
relationships between population behavior and respiratory virus dynamics.

Methods

Virologic surveillance and laboratory methods

This population-level study uses cross-sectional surveillance data collected through the Seattle Flu Study (SFS) from November 2018 to June 2022. Initiated in November 2018, SFS was a multi-arm surveillance study of influenza and other respiratory pathogens in the greater Seattle, Washington region, that utilized community and hospitalbased sampling . In its first 1.5 years, SFS tracked the transmission of influenza and other respiratory pathogens in the Seattle region by testing swabs collected at hospitals, community sites (e.g., kiosks in high foot traffic areas, outpatient clinics, workplaces, college campuses), and through its swab-and-send at-home testing study (Table S2). The SFS team launched the greater Seattle Coronavirus Assessment Network (SCAN) in March 2020 to detect and understand the spread of SARS-CoV- . SCAN deployed self-administered at-home testing kits to monitor the spread of both SARS-CoV-2 and endemic respiratory pathogens from March 2020 to July 2022. Protected Health Information (PHI) from study participants and patients contributing residual samples were collected through REDCap projects built by the Institute of Translational Health Sciences (ITHS). We describe each surveillance arm in the Supplementary Methods.
Each respiratory specimen was screened in duplicate for a panel of respiratory pathogens using a custom TaqMan RT-PCR OpenArray panel (Thermo Fisher) . Laboratory methods are described in detail elsewhere . Pathogen targets included adenovirus (AdV); human bocavirus (hBoV); human coronaviruses (hCoV) 229E, OC43, HKU1, and NL63; human metapneumovirus (hMPV); human parainfluenza viruses (hPIV) 1, 2, 3, and 4; human parechovirus (hPeV); influenza A (IAV) H1N1 and H3N2; pan influenza A (IAV); pan influenza B (IBV); pan influenza C (ICV); respiratory syncytial viruses (RSV) A and B; human rhinovirus (hRV); enterovirus D68 (EV.D68); pan enterovirus excluding D68 (EV); measles; mumps; Streptococcus pneumoniae (SPn); Mycoplasma pneumoniae (MPn); Chlamydia pneumoniae (CPn); and SARS-CoV-2 (Table S1). For a specimen to be designated positive for a given target, both duplicates must test positive in replicate RT-PCR assays. Due to assay limitations, epidemiologically distinct strains were grouped into one assay each for hCoV 229 E and hCoV OC43, hCoV HKU1 and hCoV NL63, hPIV 1 and hPIV 2, hPIV 3 and hPIV 4, EV, hRV, and AdV. hPIV 3 likely comprises most of hPIV incidences because hPIV 4 infections are detected infrequently and tend to be mild or asymptomatic .
We excluded hBoV, hPeV, MPn, and CPn from downstream analysis because probes for these pathogens were removed from our custom OpenArray panel in 2020. We also excluded ICV, EV.D68, measles, and mumps because these pathogens did not have a sufficient number of positive specimens to estimate daily incidence (< 200 positives from 2018 to 2022). A substantial number of specimens tested positive for SPn, a common commensal, with SPn detected in 26.7% of positive samples prior to March 2020 and 18.5% of positive samples after March 2020 (Figure. S2). We opted to not include SPn in the downstream analysis due to our inability to distinguish acute infections from chronic carriage.
All downstream data manipulation and analysis was performed using version , unless otherwise noted.

Syndromic surveillance data

We obtained respiratory syndromic surveillance data for King County, WA from the Rapid Health Information Network (RHINO) program at the Washington Department of Health (WA DOH) (Figure. S23), and for Washington state from the U.S. CDC Outpatient Influenza-like Illness Surveillance Network (ILINet) . Syndrome criteria are described in the Supplementary Methods.

Data on cell phone mobility, masking, and the stringency of nonpharmaceutical interventions

We obtained mobile device location data from SafeGraph (https:// safegraph.com/), a data company that aggregates anonymized location data from 40 million devices, or approximately of the United States population, to measure foot traffic to over 6 million physical places (points of interest) in the US. We estimated foot traffic to specific points of interest (POIs), movement within and between census block groups, and the in-flow of visitors residing outside of King County from November 2018 to June 2022, using SafeGraph’s “Weekly Patterns” dataset, which provides weekly counts of the total number of unique devices visiting a POI from a particular home location. POIs are fixed locations, such as businesses or attractions. A “visit” indicates that a device entered the building or spatial perimeter designated as a POI. A “home location” of a device is defined as its common nighttime (18:00-7:00) census block group (CBG) for the past 6 consecutive weeks. We restricted our datasets to King County POIs that had been recorded in SafeGraph’s dataset since January 2019. SafeGraph data were imported and processed using the SafeGraphR package .
To measure movement within and between CBGs (“neighborhoods”) in King County, we extracted the home CBG of devices visiting points of interest (POIs) and limited the dataset to devices with home locations in the CBG of a given POI (within-neighborhood movement) or with home locations in CBGs outside of a given POI’s CBG (between-neighborhood movement). To measure the inflow of visitors from other counties in Washington state or from out-of-state, we limited the dataset to devices visiting POIs in King County with home locations in other WA counties or in other US states, respectively. To measure foot traffic to specific categories of POIs, we aggregated daily visits to POIs by North American Industry Classification System (NAICS) category without considering the home locations of devices visiting these POIs. To adjust for variation in SafeGraph’s device panel size over time, we divided Washington’s census population size by the number of devices in SafeGraph’s panel with home locations in Washington state each month and multiplied the number of daily or weekly visitors by that value. For each mobility indicator, we summed adjusted daily or weekly visits across POIs and measured the percent change in movement over time relative to the average movement observed in all of 2019, excluding national holidays.
Daily data on the percentage of devices staying home in King County were obtained from SafeGraph’s Social Distancing Metrics and Meta Data for Good’s Movement Range Maps. SafeGraph social distancing metrics were available from January 1, 2019, to April 16, 2021, and Meta Movement Range Maps were available from March 1, 2020, to May 22, 2022. Trends in the percentage of devices staying home were almost identical across the two data sources, though the percentage of devices staying home in the Meta dataset was lower than that observed in the SafeGraph dataset (Figure. S24). We added a scaling factor to the Meta indicator and joined the two-time series to create a single metric for our study period (Figure. S24). To reduce noise, we smoothed the joint time series with a centered 7-day moving average.
We obtained survey data on the daily percentage of King County residents wearing face masks in public from the Carnegie Mellon University Delphi Group COVIDcast API . Masking data were collected as part of the COVID-19 Trends and Impact Survey conducted by the Delphi group in collaboration with Meta and a consortium of universities and public health officials . The survey ran continuously from April 6, 2020, to June 25, 2022, with approximately 40,000 individuals in the United States participating every day. The survey included specific questions about masking from September 8, 2020, to June 25, 2022. We supplemented the COVIDcast King County masking data with COVIDNearYou survey data for Washington state to extend the time series to June 2, 2020.
We extracted data collected by the Oxford COVID-19 Government Response Tracker (OxCGRT) to measure variation in Washington state’s government policies related to COVID-19 from March 1, 2020 to June 30, 2022. The OxCGRT database tracked publicly available information for policies related to closure and containment, health, and economic policy in 180 countries, recording policy responses on ordinal or continuous scales for 19 policy areas. We obtained daily values for the stringency index (Fig. 1), which combines all containment and closure indicators (C1-C8: school and university closures, workplace closures, cancellation of public events, restrictions on gatherings, closures of public transport, stay-at-home orders, restrictions on internal movement, and restrictions on international travel) and the H 1 indicator (public information campaigns). The Oxford Stringency Index is based on policy mandates in place over time and does not measure the actual implementation of NPIs or population adherence to mandates .

Reconstructing pathogen incidences

While SFS sampling is robust enough to provide granular (daily) surveillance data on the circulation of multiple pathogens, the diversity of SFS sampling schemes requires pre-processing to infer pathogen incidence. To properly reconstruct pathogen incidences through time, we considered the different populations sampled by SFS, particularly regarding age group, clinical setting, and the presence of respiratory symptoms (Figure. S25).
We first excluded samples with missing age or home address information (as reported by individuals participating in community surveillance or obtained through electronic hospital records), samples from individuals residing outside the greater Seattle region (King, Pierce, Snohomish, Kitsap, San Juan, Whatcom, Skagit, Island, Clallam, Jefferson, Mason, and Thurston counties), samples from individuals who were asymptomatic for respiratory illness, and samples from multiple testing of individuals. If an individual tested more than once in a 30 -day period, we kept one result per pathogen in that period. If test results for all pathogens were consistent across the testing instances in the 30-day period, we kept the results from the first testing instance and discarded the subsequent instances. If an individual tested negative and then positive or tested positive then negative, we kept the result for the first positive testing instance and discarded the instances prior to or after that result. We also excluded samples collected as part of Public Health – Seattle & King County’s (PHSKC) contact tracing efforts or through collaborations with communitybased organizations.
Next, we used a three-step approach to control for sampling variation over time (Figure. S25). In the first step, we disaggregated daily pathogen presence and absence data derived from OpenArray testing by clinical setting (hospital or community) and age group ( years or < 5 years). We then divided the number of positive samples for each pathogen by the total number of specimens tested in each setting and age stratum (Figure. S26). Daily proportion test-positive values for each age group and setting were then multiplied by the expected age distribution of cases for each pathogen in each setting, which were obtained from the U.S. Outpatient Influenza-like Illness Surveillance Network (ILINet) , the U.S. Influenza Hospitalization Surveillance Network (FluSurv-NET) , the Washington State Department of Health , or published literature (Table S6). For each pathogen, the daily adjusted proportion test-positive is calculated as:
where Positive Tests and Total Tests are the number of positive tests and total test volume for age group ( years or years) in clinical setting (hospital or community) collected on day , and
Prop.cases is the expected proportion of cases in age group in clinical setting , based on external data sources.
In the second step, we combined pathogen proportion testpositive information from Equation (1) with citywide syndromic surveillance indicators for respiratory illnesses. Specifically, we multiplied the adjusted proportion test-positive data by a weekly indicator of the proportion of the King County population seeking care for respiratory illness at emergency departments (ED). Percent positive multiplied by the percentage of medical encounters attributable to respiratory illness is considered to be a more robust measure of respiratory virus activity than percent positive alone, and similar approaches have been used successfully to model influenza and seasonal coronavirus activity over multiple seasons (e.g., ,). We applied this adjustment separately to community and hospital data, wherein the daily adjusted proportion of test-positive values for each age group in clinical setting are multiplied by the weekly proportion of ED visits coded as general respiratory illness (all endemic viruses except influenza viruses), influenza-like illness, ILI (influenza viruses), or COVID-like illness, CLI (SARS-CoV-2) for age group :
To produce an aggregate measure of daily incidence for each pathogen in the greater Seattle region, the third step entailed summing the age-specific incidences (< 5 years and years) for each pathogen in each setting on day from Equation (2), rescaling agecombined hospital- and community-based incidences to fall between 0 and 1 , and summing the separate community- and hospital-based incidences:
We used this approach to estimate the daily incidences of 17 endemic pathogens from November 2018 to June 2022, including influenza , and B viruses, RSV A and B, four seasonal coronaviruses, four human parainfluenza viruses, human metapneumovirus, rhinovirus, enterovirus, and adenovirus. We opted to estimate daily SARS-CoV-2 incidence from publicly available COVID-19 case data for King County because SCAN did not test respiratory specimens for SARS-CoV-2 during May and June 2020 (Figure. S27).

Statistical analysis

An overview of the statistical analyses and their various inputs is shown in Figure. S28.
Transmission modeling. For each pathogen, we estimated timevarying (instantaneous) reproduction numbers, , by date of infection using the Epidemia R package can be expressed as the number of new infections on day relative to the cumulative sum of individuals infected days before day , weighted by the current infectiousness of those individuals :
Epidemia implements semi-mechanistic Bayesian models using the probabilistic programming language Stan . Instead of using a deterministic renewal process to propagate infections, we modelled new infections as unknown latent parameters, because the additional
variance around infections can account for uncertainty in initial growth rates, as well as superspreading events . Transmission model specifications are described in the Supplementary Methods.
We evaluated changes in transmissibility during the two weeks before and after two major events in our study period: a major snowstorm in February 2019 and the initiation of COVID-19 social distancing measures in March 2020. For each pathogen, we used a nonparametric (two-sided) bootstrap test ( 1000 samples drawn with replacement) to estimate the ratio of mean values before and after each event and associated confidence intervals (boot R package ).
Cross-correlations between human behavior and pathogen transmission. To measure dynamic associations between population behavior and pathogen transmissibility, we estimated rolling Spearman’s rank cross correlations between mobility indicators and pathogen specific values. To avoid spurious correlations, we smoothed daily and mobility time series with centered 15-day moving averages. In all analyses, we weighted cross-correlations with an exponential decay such that observations at the edges of each time window were weighted approximately less than observations at the window midpoint. This approach is reactive to recent changes in mobility and while still incorporating long-term trends. Due to limited testing at the beginning of the pandemic, we limited cross-correlations involving SARS-CoV-2 estimates to dates after February 28, 2020, when the first community-acquired case was confirmed, and cumulative confirmed cases exceeded 50. By March 1, 2020, the credible intervals of SARS-CoV- were within of the median value.
From Fall 2019 to Summer 2022, we computed cross-correlations between weekly pathogen specific values and the weekly percent change from baseline in mobility in rolling five-month windows. Although our original data have daily resolution, we chose to use weekly averages of and mobility due to the length of the timeframe analyzed and our desire to focus on broad long-term trends. We chose 5-month windows because this length of time provides a good tradeoff between reducing noise and retaining a biologically relevant time window. In sensitivity analyses varying the length of rolling time window, shorter windows introduced more noise into the results (e.g., periods of alternating positive and negative correlations rather than consistent long-term trends) while longer windows diminished our ability to pinpoint when mobility most strongly correlated with . During the pandemic period, we also estimated weekly crosscorrelations and optimal lags between and the proportion of individuals masking in public (June 2020 to June 2022) and between and the Oxford Stringency Index (March 2020 to June 2022). During the 2018-2019 respiratory virus season, we estimated cross-correlations between daily and the daily percent change from baseline in mobility in rolling one-month windows, due to limited data at the start of that season (respiratory specimen collection began in November 2018) and to better capture the effects of the 12 -day snowstorm in February 2019.
For each rolling window, we estimated weighted crosscorrelations between mobility and at different lags (up to 4 weeks for 5 -month rolling windows and up to 21 days for one-month rolling windows) and extracted the maximum (absolute) coefficient value and the lag (in weeks or days) at which this value occurred (the ‘optimal lag’). Negative lag values indicate behavior leads , and positive lag values indicate leads behavior. A lag of 0 indicates that two time series are in phase (i.e., synchronous). To generate monthly crosscorrelations and lags, we averaged the correlation coefficients and optimal lags of window midpoints that fell within a given calendar month. As an example, for five-month rolling windows each month’s statistics are an average of correlation coefficients and lags for dates falling 10 weeks prior to and 10 weeks following each week in that month.
To test the statistical significance of cross-correlations for each rolling window, we used a block bootstrap approach to generate 1000 samples of each mobility time series shuffled in two-week increments (tseries R package ) and recomputed cross-correlations between and mobility for each replicate, yielding a null distribution of 1000 cross-correlations. Cross-correlations between and mobility indicators were considered statistically significant when observed coefficients were outside the bounds of the null distribution’s interval. We performed bootstrapped cross-correlations using the high-performance computational resources of the Biowulf Linux cluster at the National Institutes of Health, with R version 4.2. Figures of monthly cross-correlations and optimal lags show both leading and lagging relationships between mobility and , while figures of rolling cross-correlations are constrained to lags less than 1 to reduce noise and focus on synchronous or leading relationships.
As a sensitivity analysis, we estimated the daily transmissibility of the ancestral SARS-CoV-2 virus and each major variant of concern (VOC), using generation intervals, incubation periods, and reporting delays specific to each lineage, and computed rolling crosscorrelations between VOC-specific values and behavioral indicators. Most VOC time series were too short to measure dynamic changes in correlations between and behavior, likely because VOCspecific analyses could not include the period immediately preceding increases in .
Multivariable generalized additive regression models. For each pathogen, we used generalized additive models (GAMs) to measure non-linear relationships between mobility and and to assess the relative importance of different behavioral indicators in predicting during key epidemiological timepoints (see Supplementary Methods for specific dates). We used the mgcv R package to fit each GAM with a Gamma error distribution and log link. Methodological details are described in the Supplementary Methods.

Ethics oversight

The Seattle Flu Study and Greater Seattle Coronavirus Assessment Network were approved by the Institutional Review Board of the University of Washington (protocols #00006181 and #000010432). At the time of enrollment, participants provided informed consent for the respiratory sample and metadata collection and for the secondary use, banking, and/or future sharing of de-identified data for research purposes. These IRB protocols explicitly approve the use of the surveillance data for secondary research and do not impose restrictions on the specific types of secondary research that can be conducted or the external data sources that can be analyzed in tandem with the surveillance data. In accordance with UW IRB approval, informed consent for residual samples and clinical data collection was waived, as these samples were already collected as part of routine clinical care, and it was not possible to re-contact these individuals. IRB exemption for the use of non-publicly available aggregated respiratory syndromic surveillance data for King County, WA, was approved by the Washington State Institutional Review Board (Exempt Determination #2022-004). The human cellphone mobility data are aggregated and anonymous and were freely available to academic researchers prior to the start of this study; thus, these data do not constitute human subjects research. We did not collect cellphone data from surveillance study participants, and there is no individual-level linkage between the mobility and surveillance datasets. Individual-level linkage between these two datasets is not possible, given that the mobility data are aggregated and anonymous/ de-identified. All other data sources pertaining to humans are aggregated, anonymous, and openly available. This study followed the Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) reporting guidelines for cross-sectional studies.

Reporting summary

Further information on research design is available in the Nature Portfolio Reporting Summary linked to this article.

Data availability

Aggregated epidemiological and mobility data that support the findings of this study can be accessed at https://doi.org/10.5281/zenodo. and https://github.com/aperofsky/seattle_mobility_rt. Access to deidentified individual-level study participant data requires a signed data access agreement with the Seattle Flu Alliance and can be made available to researchers whose proposed use of the data is approved by study investigators. Requests for data access should be submitted to data@seattleflu.org. Some mobility metrics were generated using SafeGraph Weekly Patterns and Social Distancing datasets, which were originally made freely available to academics in response to the COVID-19 pandemic. The SafeGraph Weekly Patterns dataset is currently available to academics for non-commercial use through an institutional university subscription or individual subscription to Dewey (https://www.deweydata.io/). The data access agreement with Dewey does not permit sharing of the raw data. Mobility data from Meta Data for Good Movement Range Maps are publicly accessible through the Humanitarian Data Exchange (https:// data.humdata.org/dataset/movement-range-maps). SafeGraph social distancing data and Meta Data for Good survey data on masking are publicly accessible through the Carnegie Mellon Delphi group’s COVIDcast Epidata API (https://cmu-delphi.github.io/delphi-epidata/api/ covidcast.html). Data on the stringency of non-pharmaceutical interventions in US states are publicly accessible through the Oxford COVID-19 Government Response Tracker (https://github.com/ OxCGRT/covid-policy-tracker). Aggregated influenza syndromic and virologic surveillance data for Washington state are publicly accessible through the US Centers for Disease Control and Prevention (CDC) FluView Interactive dashboard (https://www.cdc.gov/flu/weekly/ fluviewinteractive.htm). Aggregated respiratory syndromic surveillance data for King County, WA are not publicly available and were provided by the Rapid Health Information Network (RHINO) program at the Washington Department of Health (WA DOH). Access for research purposes requires a signed data-sharing agreement with WA DOH and exemption approval from the Washington State Institutional Review Board. Requests for data access should be submitted to RHINO@doh.wa.gov. Data on COVID-19 cases in King County, WA are publicly accessible through the WA DOH COVID-19 dashboard (https:// doh.wa.gov/emergencies/covid-19/data-dashboard). Data on COVID19 vaccination in King County, WA are publicly accessible through the Public Health – Seattle & King County COVID-19 Vaccination dashboard (https://kingcounty.gov/en/dept/dph/health-safety/disease-illness/covid-19/data/vaccination). Nextstrain-curated SARS-CoV-2 sequence metadata can be downloaded via the Nextstrain CLI tool (https://docs.nextstrain.org/projects/cli/en/stable/). Daily records of precipitation, temperature, and humidity in Seattle, WA are publicly accessible through the National Centers for Environmental Information’s U.S. Local Climatological Database (https://www.ncei.noaa.gov/ products/land-based-station/local-climatological-data).

Code availability

Code to reproduce the results and figures in this study is available at https://doi.org/10.5281/zenodo. and https://github.com/ aperofsky/seattle_mobility_rt.

References

  1. Cowling, B. J. et al. Impact assessment of non-pharmaceutical interventions against coronavirus disease 2019 and influenza in Hong Kong: an observational study. Lancet Public Health 5, e279-e288 (2020).
  2. Tempia, S. et al. Decline of influenza and respiratory syncytial virus detection in facility-based surveillance during the COVID-19
    pandemic, South Africa, January to October 2020. Euro Surveill 26, 2001600 (2021).
  3. Bardsley, M. et al. Epidemiology of respiratory syncytial virus in children younger than 5 years in England during the COVID-19 pandemic, measured by laboratory, clinical, and syndromic surveillance: a retrospective observational study. Lancet Infect. Dis. 23, 56-66 (2023).
  4. Rodgers, L. et al. Changes in seasonal respiratory illnesses in the United States during the coronavirus disease 2019 (COVID-19) Pandemic. Clin. Infect. Dis. 73, S110-S117 (2021).
  5. Huang, Q. S. et al. Impact of the COVID-19 nonpharmaceutical interventions on influenza and other respiratory viral infections in New Zealand. Nat. Commun. 12, 1001 (2021).
  6. Dhanasekaran, V. et al. Human seasonal influenza under COVID-19 and the potential consequences of influenza lineage elimination. Nat. Commun. 13, 1721 (2022).
  7. Park, S., Michelow, I. C. & Choe, Y. J. Shifting patterns of respiratory virus activity following social distancing measures for coronavirus disease 2019 in South Korea. J. Infect. Dis. 224, 1900-1906 (2021).
  8. Williams, T. C., Sinha, I., Barr, I. G. & Zambon, M. Transmission of paediatric respiratory syncytial virus and influenza in the wake of the COVID-19 pandemic. Euro Surveill 26, 2100186 (2021).
  9. Eden, J. S. et al. Off-season RSV epidemics in Australia after easing of COVID-19 restrictions. Nat. Commun. 13, 2884 (2022).
  10. Fong, M. W., Leung, N. H. L., Cowling, B. J. & Wu, P. Upper Respiratory Infections in Schools and Childcare Centers Reopening after COVID-19 Dismissals, Hong Kong. Emerg. Infect. Dis. 27, 1525-1527 (2021).
  11. Grantz, K. H. et al. The use of mobile phone data to inform analysis of COVID-19 pandemic epidemiology. Nat. Commun. 11, 4961 (2020).
  12. Baker, R. E. et al. The impact of COVID-19 nonpharmaceutical interventions on the future dynamics of endemic infections. Proc. Natl. Acad. Sci. USA 117, 30547-30553 (2020).
  13. White, E. B. et al. High Influenza Incidence and Disease Severity Among Children and Adolescents Aged <18 Years – United States, 2022-23 Season. MMWR Morb. Mortal. Wkly. Rep. 72, 1108-1114 (2023).
  14. Reicherz, F. et al. Waning Immunity Against Respiratory Syncytial Virus During the Coronavirus Disease 2019 Pandemic. J Infect Dis. 226, 2064-2068 (2022).
  15. Tanne, J. H. US faces triple epidemic of flu, RSV, and covid. BMJ 379, o2681 (2022).
  16. Chu, H. Y. et al. The Seattle Flu Study: a multiarm community-based prospective study protocol for assessing influenza prevalence, transmission and genomic epidemiology. BMJ Open 10, e037295 (2020).
  17. Bedford, T. et al. Cryptic transmission of SARS-CoV-2 in Washington state. Science 370, 571-575 (2020).
  18. Burstein, R. et al. Interactions among 17 respiratory pathogens: a cross-sectional study using clinical and community surveillance data. medRxiv https://doi.org/10.1101/2022.02.04. 22270474 (2022).
  19. Hansen, C. et al. Trends in Risk Factors and Symptoms Associated With SARS-CoV-2 and Rhinovirus Test Positivity in King County, Washington, June 2020 to July 2022. JAMA Network Open 5, e2245861 (2022).
  20. Jackson, M. L. et al. Effects of weather-related social distancing on city-scale transmission of respiratory viruses: a retrospective cohort study. BMC Infect Dis. 21, 335 (2021).
  21. Kim, A. E. et al. Evaluating specimen quality and results from a community-wide, home-based respiratory surveillance study. J. Clin. Microbiol. 59, e02934-20 (2021).
  22. Chu, H. Y. et al. Early detection of Covid-19 through a citywide pandemic surveillance platform. N. Engl. J. Med. 383, 185-187 (2020).
  23. Bhatt, S. et al. Semi-mechanistic Bayesian modelling of COVID-19 with renewal processes. J. R. Stat. Soc. Series A: Statistics in Society 186, 601-615 (2023).
  24. Scott, J. A. et al. epidemia: Modeling of Epidemics using Hierarchical Bayesian Models. R package version 1.0.0, https:// imperialcollegelondon.github.io/epidemia/ (2020).
  25. Cori, A., Ferguson, N. M., Fraser, C. & Cauchemez, S. A new framework and software to estimate time-varying reproduction numbers during epidemics. Am J Epidemiol 178, 1505-1512 (2013).
  26. Hale, T. et al. A global panel database of pandemic policies (Oxford COVID-19 Government Response Tracker). Nat Hum Behav 5, 529-538 (2021).
  27. Reinhart, A. et al. An open repository of real-time COVID-19 indicators. Proc Natl Acad Sci. USA 118, e2111452118 (2021).
  28. Rössler, A., Riepler, L., Bante, D., von Laer, D. & Kimpel, J. SARS-CoV-2 Omicron variant neutralization in serum from vaccinated and convalescent persons. N. Engl. J. Med. 386, 698-700 (2022).
  29. Lyngse, F. P. et al. Household transmission of the SARS-CoV-2 Omicron variant in Denmark. Nat. Commun. 13, 5573 (2022).
  30. Delussu, F., Tizzoni, M. & Gauvin, L. The limits of human mobility traces to predict the spread of COVID-19: a transfer entropy approach. PNAS Nexus 2, pgad3O2 (2023).
  31. Cauchemez, S., Valleron, A. J., Boelle, P. Y., Flahault, A. & Ferguson, N. M. Estimating the impact of school closure on influenza transmission from Sentinel data. Nature 452, 750-754 (2008).
  32. Peltola, V. et al. Rhinovirus transmission within families with children: incidence of symptomatic and asymptomatic infections. J Infect Dis. 197, 382-389 (2008).
  33. Chu, H. Y. et al. Molecular epidemiology of respiratory syncytial virus transmission in childcare. J Clin Virol 57, 343-350 (2013).
  34. Martin, E. T. et al. Heterotypic Infection and Spread of Rhinovirus A, B, and C among Childcare Attendees. J Infect Dis. 218, 848-855 (2018).
  35. Davies, N. G. et al. Age-dependent effects in the transmission and control of COVID-19 epidemics. Nat. Med. 26, 1205-1211 (2020).
  36. Poole, S., Brendish, N. J., Tanner, A. R. & Clark, T. W. Physical distancing in schools for SARS-CoV-2 and the resurgence of rhinovirus. Lancet Respir Med. 8, e92-e93 (2020).
  37. Kitanovski, S. et al. Rhinovirus prevalence as indicator for efficacy of measures against SARS-CoV-2. BMC Public Health 21, 1178 (2021).
  38. Kraay, A. N. M. et al. Fomite-mediated transmission as a sufficient pathway: a comparative analysis across three viral pathogens. BMC Infect Dis. 18, 540 (2018).
  39. Kutter, J. S., Spronken, M. I., Fraaij, P. L., Fouchier, R. A. & Herfst, S. Transmission routes of respiratory viruses among humans. Curr. Opin. Virol. 28, 142-151 (2018).
  40. Murray, A. F. et al. School-Based Surveillance of Respiratory Pathogens on “High-Touch” Surfaces. Front. Pediatr. 9, 686386 (2021).
  41. Leung, N. H. L. et al. Respiratory virus shedding in exhaled breath and efficacy of face masks. Nat. Med. 26, 676-680 (2020).
  42. Jewell, S. et al. It’s complicated: characterizing the time-varying relationship between cell phone mobility and COVID-19 spread in the US. NPJ Digit. Med. 4, 152 (2021).
  43. Gostic, K. M. et al. Practical considerations for measuring the effective reproductive number, Rt. PLoS Comput. Biol. 16, e1008409 (2020).
  44. Huisman, J. S. et al. Estimation and worldwide monitoring of the effective reproductive number of SARS-CoV-2. Elife 11, e71345 (2022).
  45. Shaman, J., Pitzer, V. E., Viboud, C., Grenfell, B. T. & Lipsitch, M. Absolute humidity and the seasonal onset of influenza in the continental United States. PLoS Biol. 8, e1000316 (2010).
  46. Pitzer, V. E. et al. Environmental drivers of the spatiotemporal dynamics of respiratory syncytial virus in the United States. PLoS Pathog 11, e1004591 (2015).
  47. Rankin, D. A. et al. Circulation of Rhinoviruses and/or Enteroviruses in Pediatric Patients With Acute Respiratory Illness Before and During the COVID-19 Pandemic in the US. JAMA Netw. Open 6, e2254909 (2023).
  48. Park, S., Lee, Y., Michelow, I. C. & Choe, Y. J. Global Seasonality of Human Coronaviruses: A Systematic Review. Open Forum Infect Dis. 7, ofaa443 (2020).
  49. Li, Y. et al. Global patterns in monthly activity of influenza virus, respiratory syncytial virus, parainfluenza virus, and metapneumovirus: a systematic analysis. Lancet Glob. Health 7, e1031-e1045 (2019).
  50. Luca, G. et al. The impact of regular school closure on seasonal influenza epidemics: a data-driven spatial transmission model for Belgium. BMC Infect. Dis. 18, 29 (2018).
  51. Eggo, R. M., Scott, J. G., Galvani, A. P. & Meyers, L. A. Respiratory virus transmission dynamics determine timing of asthma exacerbation peaks: Evidence from a population-level model. Proc. Natl. Acad. Sci. USA 113, 2194-2199 (2016).
  52. Hall, C. B. et al. Respiratory Syncytial Virus Infections within Families. N. Eng. J. Med. 294, 414-419 (1976).
  53. Longini, I. M. Jr., Koopman, J. S., Monto, A. S. & Fox, J. P. Estimating household and community transmission parameters for influenza. Am J Epidemiol 115, 736-751 (1982).
  54. Washington Office of Superintendent of Public Instruction. School Facility ReOpening Survey, https://data.wa.gov/dataset/School-Facility-ReOpening-Survey/9i5d-c2m8 Accessed: 2023-1030 (2021).
  55. Bedford, T. et al. Global circulation patterns of seasonal influenza viruses vary with antigenic drift. Nature 523, 217-220 (2015).
  56. Viboud, C. et al. Synchrony, waves, and spatial hierarchies in the spread of influenza. Science 312, 447-451 (2006).
  57. Hamid, S. et al. Seasonality of respiratory syncytial virus – United States, 2017-2023. MMWR Morb. Mortal. Wkly. Rep. 72, 355-361 (2023).
  58. Kishore, N. et al. Evaluating the reliability of mobility metrics from aggregated mobile phone data as proxies for SARS-CoV-2 transmission in the USA: a population-based study. Lancet Digit Health 4, e27-e36 (2022).
  59. Crawford, F. W. et al. Impact of close interpersonal contact on COVID-19 incidence: Evidence from 1 year of mobile device data. Sci. Adv. 8, eabi5499 (2022).
  60. Gimma, A. et al. Changes in social contacts in England during the COVID-19 pandemic between March 2020 and March 2021 as measured by the CoMix survey: A repeated cross-sectional study. PLoS Med. 19, e1003907 (2022).
  61. Paredes, M. I. et al. Local-scale phylodynamics reveal differential community impact of SARS-CoV-2 in a metropolitan US county. PLoS Pathogens 20, e1012117 (2024).
  62. ThermoFisher. A complete workflow solution for detecting respiratory tract microbiota using OpenArray technology, https://assets. thermofisher.com/TFS-Assets/GSD/Application-Notes/openarray-respiratory-microbiota-taqman-app-note.pdf Accessed: 2024-0421 (2020).
  63. Marcink, T. C., Englund, J. A. & Moscona, A. Paramyxoviruses: Parainfluenza Viruses. In Viral Infections of Humans: Epidemiology and Control (eds Kaslow, R. A., Stanberry, L. R. & Powers, A. M.) (Springer, New York, NY, 2023).
  64. R Core Team. R: A Language and Environment for Statistical Computing. (R Foundation for Statistical Computing, Vienna, Austria, 2023). https://www.R-project.org/
  65. National Center for Immunization and Respiratory Diseases (NCIRD), U.S. Centers for Disease Control and Prevention. FluView
Interactive, https://www.cdc.gov/flu/weekly/fluviewinteractive. htm Accessed: 2023-10-20 (2023).
66. Huntington-Klein, N. SafeGraphR: Package for Processing and Analyzing SafeGraph Data. R package version 0.5.2 (2023).
67. Salomon, J. A. et al. The US COVID-19 Trends and Impact Survey: Continuous real-time measurement of COVID-19 symptoms, risks, protective behaviors, testing, and vaccination. Proc. Natl. Acad. Sci. USA 118, e2111454118 (2021).
68. Rader, B. et al. Mask-wearing and control of SARS-CoV-2 transmission in the USA: a cross-sectional study. Lancet Digit. Health 3, e148-e157 (2021).
69. Chaves, S. S., Lynfield, R., Lindegren, M. L., Bresee, J. & Finelli, L. The US Influenza Hospitalization Surveillance Network. Emerg Infect Dis. 21, 1543-1550 (2015).
70. Washington State Department of Health. COVID-19 Data Dashboard, https://doh.wa.gov/emergencies/covid-19/data-dashboard Accessed: 2023-02-21 (2023).
71. Goldstein, E., Cobey, S., Takahashi, S., Miller, J. C. & Lipsitch, M. Predicting the epidemic sizes of influenza A/H1N1, A/H3N2, and B: a statistical method. PLoS Med. 8, e1001051 (2011).
72. Kissler, S. M., Tedijanto, C., Goldstein, E., Grad, Y. H. & Lipsitch, M. Projecting the transmission dynamics of SARS-CoV-2 through the postpandemic period. Science 368, 860-868 (2020).
73. Carpenter, B. et al. Stan: A Probabilistic Programming Language. Journal of Statistical Software 76, 1-32 (2017).
74. Canty, A. C. & Ripley, B. boot: Bootstrap R (S-Plus) Functions. R package version 1.3-30 (2024).
75. Trapletti, A. & Hornik, K. tseries: Time Series Analysis and Computational Finance. R package version 0.10-55 (2023).
76. Wood, S. N. Fast stable restricted maximum likelihood and marginal likelihood estimation of semiparametric generalized linear models. J. R. Stat. Soc. Ser. B Methodol. 73, 3-36 (2011).
77. Perofsky, A. C. aperofsky/seattle_mobility_rt: Initial release (v1.0.0), https://doi.org/10.5281/zenodo. 11044821 (2024).

Acknowledgements

We thank the entire Seattle Flu Study (SFS) and Greater Seattle Coronavirus Assessment Network (SCAN) team for their hard work and dedication to these projects and the study participants for their participation in this research. We also thank Public Health – Seattle & King County for their contributions to the SCAN study and for providing samples collected at King County COVID-19 drive-through testing sites, the Tacoma-Pierce County Health Department for funding the collection and testing of SCAN respiratory specimens in Pierce County, and the Rapid Health Information Network (RHINO) program at the Washington Department of Health for providing syndromic surveillance data. We thank Dr. Jeff Duchin for helpful comments on the manuscript and the Division of International Epidemiology and Population Studies (DIEPS) of the Fogarty International Center and the Bedford Lab at Fred Hutch for useful discussions. This study used the high-performance computational resources of the Biowulf Linux cluster at the US National Institutes of Health (http://biowulf.nih.gov). Funding for the Seattle Flu Study and Greater Seattle Coronavirus Assessment Network (SCAN) was provided by Gates Ventures and the Howard Hughes Medical Institute. SCAN samples collected in Pierce County were funded by the Tacoma-Pierce County Health Department. ACP, CLH, SB, RP, CM, DR, BC, KSF, KK, BP, ZA, EM, LRS, JSt, LG, PDH, AW, JSh, TB, HYC, and LMS received third-party support from Gates Ventures through the Brotman Baty Institute during the conduct of the study. ACP, LMS, and TB are supported by CDC contract 75D30122C14368. RB and MF are employees of the Institute for Disease Modeling, a research group within and solely funded by the Bill and Melinda Gates Foundation. JSh and TB are supported by the Howard Hughes Medical Institute. CV is supported by the in-house research division
of the Fogarty International Center, US National Institutes of Health. For samples collected through mechanisms other than SCAN, the funders had no role in any aspect of the study. Gates Ventures participated in the design of SCAN by providing input on the study screener and eligibility criteria but had no role in the conduct of SCAN, the collection, management, analysis, or interpretation of SCAN data, the preparation, review, or approval of this manuscript, or the decision to submit the manuscript for publication. No other funders were involved in any aspect of SCAN. Disclaimer: The findings and conclusions in this report are those of the authors and do not necessarily represent the official position of the US National Institutes of Health or the US government.

Author contributions

Conceptualization: A.C.P., M.F., J.Sh., T.B., H.Y.C., J.A.E., L.M.S., and C.V. Methodology: A.C.P, C.L.H., R.B., P.D.H., M.F., J.Sh., T.B., H.Y.C., J.A.E., L.M.S. and C.V. Software: A.C.P., C.L.H., R.B., C.M., D.R., B.C., M.T., K.S.F., K.K., B.P., J.L., T.R.S., J.St., A.A., M.F. and C.V. Validation: A.C.P., C.L.H., R.B., E.M., L.R.S., L.G., P.D.H. and L.M.S. Formal analysis: A.C.P. Investigation: A.C.P. Resources: A.A., M.L.J., J.Sh., T.B., H.Y.C., J.A.E., and L.M.S. Data acquisition or curation: A.C.P., C.L.H., R.B., C.M., D.R., B.C., M.T., K.S.F., K.K., B.P., Z.A., J.L., T.R.S., E.M., L.R.S., J.St., L.G., P.D.H., A.A., A.W., M.L.J., M.F., J.Sh., T.B., H.Y.C., J.A.E., L.M.S., and C.V. Writing-original draft: A.C.P. Writingreview & editing: A.C.P, C.L.H., R.B., S.B., R.P., M.F., H.Y.C., J.A.E., L.M.S., C.V. Visualization: A.C.P. Supervision: S.B., R.P., K.K., Z.A., J.St., P.D.H., M.F., J.Sh., T.B., H.Y.C., J.A.E., L.M.S. and C.V. Project administration: S.B., R.P., K.K., Z.A., J.St., P.D.H., M.F, J.Sh., T.B., H.Y.C., J.A.E., L.M.S. and C.V. Funding acquisition: A.C.P., C.L.H., S.B., R.P., A.W., J.Sh., T.B., H.Y.C., J.A.E., L.M.S. and C.V. All authors have seen and approved the manuscript.

Competing interests

CLH received personal fees from Sanofi outside the submitted work. MLJ received funding as a contractor to Merck & Co. AW received clinical trial support to their institution from Pfizer, Ansun Biopharma, Allovir, and GlaxoSmithKline/Vir, personal fees from Vir and GlaxoSmithKline, and grants from Amazon outside the submitted work. JAE received grants from Pfizer, AstraZeneca, Merck, and GlaxoSmithKline and personal fees from Pfizer, AstraZeneca, GlaxoSmithKline, Merck, Meissa Vaccines, Moderna, and Sanofi Pasteur outside the submitted work. HYC received personal fees from Ellume, the Bill and Melinda Gates Foundation, Vindico, Abbvie, Merck, and Pfizer, research funding from Gates Ventures and Sanofi Pasteur, and support and reagents from Ellume and Cepheid outside the submitted work. CV received honoraria from Elsevier outside the submitted work. All other authors declare they have no competing interests.

Additional information

Supplementary information The online version contains supplementary material available at https://doi.org/10.1038/s41467-024-48528-2.
Correspondence and requests for materials should be addressed to Amanda C. Perofsky.
Peer review information Nature Communications thanks Shengjie Lai and Michele Tizzoni for their contribution to the peer review of this work. A peer review file is available.
Reprints and permissions information is available at http://www.nature.com/reprints
Publisher’s note Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.
Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/ licenses/by/4.0/.
(c) The Author(s) 2024
Brotman Baty Institute for Precision Medicine, University of Washington, Seattle, WA, USA. Fogarty International Center, National Institutes of Health, Bethesda, MD, USA. PandemiX Center, Department of Science & Environment, Roskilde University, Roskilde, Denmark. Institute for Disease Modeling, Bill & Melinda Gates Foundation, Seattle, WA, USA. Vaccine and Infectious Disease Division, Fred Hutchinson Cancer Center, Seattle, WA, USA. Department of Genome Sciences, University of Washington, Seattle, WA, USA. Seattle Children’s Research Institute, Seattle, WA, USA. Department of Pediatrics, University of Washington, Seattle, WA, USA. EpiAssist LLC, Seattle, WA, USA. Howard Hughes Medical Institute, Seattle, WA, USA. Division of Allergy and Infectious Diseases, Department of Medicine, University of Washington, Seattle, WA, USA. e-mail: acperof@uw.edu
  1. A full list of affiliations appears at the end of the paper. e-mail: acperof@uw.edu
  2. (%).
    Pierce, Snohomish, Kitsap, San Juan, Whatcom, Skagit, Island, Clallam, Jefferson, Mason, and Thurston counties.
    standard deviation.
    Home residence, sex, and age distributions for individuals contributing respiratory specimens to different Seattle Flu Study (SFS) surveillance arms, including hospitals, SFS community testing (e.g., kiosks, swab-and-send at-home testing, outpatient clinics), and Public Health – Seattle & King County COVID-19 drive through testing sites.
  3. We compared values before and after each event using nonparametric bootstrap tests for the ratio of two means. Mean ratios, confidence intervals, and two-sided -values were estimated from 1000 resamples.