DOI: https://doi.org/10.1007/s43762-024-00117-1
تاريخ النشر: 2024-03-01
المؤلف: Nanzhou Hu وآخرون
الموضوع الرئيسي: دراسات وبائية حول COVID-19
نظرة عامة
تبحث ورقة البحث في التأثيرات المكانية والزمنية لعوامل التنقل والصحة على وفيات COVID-19 في الولايات المتحدة، باستخدام نموذج الانحدار الجغرافي والزمني الموزون (GTWR). تسلط الدراسة الضوء على أن زيادة التنقل وبعض الحالات الصحية تؤثر بشكل كبير على معدلات وفيات COVID-19، لا سيما بين الفئات الضعيفة. من خلال مقارنة نموذج GTWR مع نموذج الانحدار الجغرافي الموزون متعدد المقاييس (MGWR)، وجد المؤلفون أن كلا النموذجين يمكن أن يفسرا اختلافات كبيرة في الوفيات، حيث يمثل GTWR 91% وMGWR 88%.
تشير النتائج الرئيسية إلى أن عوامل مثل مرض القلب التاجي، والسكري، والوضع الاجتماعي والاقتصادي، بما في ذلك متوسط دخل الأسرة، تلعب أدوارًا حاسمة في معدلات الوفيات. كما كشفت التحليلات أن متوسط وقت الإقامة في المنزل يؤثر سلبًا على انتشار COVID-19، مع ملاحظات على التغيرات التي حدثت على مدار الأشهر. علاوة على ذلك، تؤكد الدراسة على أهمية معالجة الوصول إلى الرعاية الصحية، لا سيما للأفراد غير المؤمن عليهم، حيث يرتبط نقص التغطية بمعدلات وفيات أعلى. بشكل عام، توفر الأبحاث رؤى أساسية لصانعي السياسات، مشيرة إلى أن التدخلات المستهدفة للفئات المعرضة للخطر وتخصيص الموارد بشكل فعال يمكن أن تعزز استراتيجيات الاستجابة للجائحة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على التأثير العميق لجائحة COVID-19 على الصحة العامة والمجتمع، مشيرة إلى أكثر من 1.14 مليون حالة وفاة وأكثر من 100 مليون حالة اعتبارًا من فبراير 2023. تناقش الورقة طرق انتقال الفيروس وتؤكد على التباعد الاجتماعي والتطعيم كإجراءات حاسمة للتخفيف من الانتشار. على الرغم من هذه الجهود، لا يزال ظهور سلالات جديدة يمثل تحديًا لاستجابات الصحة العامة. يتم التأكيد على دور نظم المعلومات الجغرافية (GIS) كأداة حيوية لتحليل الأنماط المكانية لـ COVID-19، مما يمكّن من المراقبة في الوقت الحقيقي وفحص العوامل الاجتماعية والاقتصادية التي تؤثر على انتشار المرض.
تهدف الدراسة إلى معالجة الفجوات في فهم التفاعل بين عوامل الصحة الفردية ونتائج COVID-19، لا سيما بين الفئات الضعيفة التي تعاني من حالات صحية موجودة مسبقًا. تقترح استخدام الانحدار الجغرافي الموزون (GWR) لاستكشاف العلاقات المكانية، بينما تقدم أيضًا الانحدار الجغرافي والزمني الموزون (GTWR) والانحدار الجغرافي الموزون متعدد المقاييس (MGWR) كمنهجيات متقدمة تأخذ في الاعتبار الديناميات المكانية والزمنية في بيانات وفيات COVID-19. من خلال دمج العوامل الاجتماعية والاقتصادية، ومتغيرات التنقل، والحالات الصحية، تسعى الأبحاث إلى تقديم تحليل شامل يمكن أن يُعلم سياسة الصحة العامة وصنع القرار.
الطرق
في هذه الدراسة، فحص المؤلفون التباينات على مستوى المقاطعات في وفيات COVID-19 عبر الولايات المتحدة من خلال تحليل بيانات التنقل، والاجتماعية، والصحية من يوليو إلى سبتمبر 2021. تم الحصول على بيانات التنقل، وبشكل خاص وقت الإقامة في المنزل، من Safegraph، بينما تم الحصول على المعلومات الصحية المتعلقة بأمراض القلب والسكري من أطلس مراكز السيطرة على الأمراض والوقاية منها. تم جمع بيانات ديموغرافية إضافية من النظام الوطني للمعلومات الجغرافية التاريخية، وتم استرجاع بيانات وفيات COVID-19 من مستودع GitHub لصحيفة نيويورك تايمز. تم تطبيع جميع مجموعات البيانات لمعالجة النموذج.
افترض المؤلفون أن زيادة التنقل قد تؤدي إلى تفاقم آثار الحالات الصحية الموجودة مسبقًا على وفيات COVID-19، حيث قد يؤدي التنقل الأعلى إلى تعرض أكبر للفيروس. وقد افترضوا أن المناطق ذات معدلات مرتفعة من أمراض القلب والسكري ستشهد معدلات وفيات COVID-19 أعلى، مما يعكس ضعف هذه الفئات. يتماشى هذا الافتراض مع النتائج من الدراسات السابقة التي تسلط الضوء على التفاعل بين التنقل، والحالات الصحية، ونتائج COVID-19. توضح الجدول 1 في الورقة مجموعات البيانات والمتغيرات المستخدمة في التحليل.
المناقشة
في هذه الدراسة، تم استخدام نموذج الانحدار العادي (OLS) في البداية لتحليل العلاقات المكانية بين وفيات COVID-19 وستة عوامل تفسيرية: التنقل، والدخل، وعدم التأمين، والعمر، والسكري، وأمراض القلب. أظهر نموذج OLS قيمة R² منخفضة تبلغ 0.471، مما يشير إلى أنه فسر فقط 47% من التباين في وفيات COVID-19، مما يشير إلى قيود في التقاط التباين المكاني. وبالتالي، تم تطبيق نموذج الانحدار الجغرافي الموزون متعدد المقاييس (MGWR)، الذي قدم ملاءمة نموذج محسنة وسمح بفهم أكثر دقة للاختلافات المحلية. تم تعزيز نتائج MGWR بشكل أكبر بواسطة نموذج الانحدار الجغرافي والزمني الموزون (GTWR)، الذي أخذ في الاعتبار الديناميات المكانية والزمنية، مما أسفر عن R² معدل أعلى وقيم AICc وRMSE أقل مقارنةً بـ OLS.
كشفت النتائج عن ارتباطات كبيرة بين وفيات COVID-19 وعوامل الصحة، لا سيما انتشار السكري وأمراض القلب، فضلاً عن نسبة كبار السن في المنطقة. ومن الجدير بالذكر أن تأثير فئة كبار السن على الوفيات انخفض مع مرور الوقت، مما يشير إلى تدابير وقائية فعالة أو تحولات في تأثير الجائحة عبر الفئات العمرية. بالإضافة إلى ذلك، ارتبط متوسط دخل الأسرة المرتفع بمعدلات وفيات أقل، مما يشير إلى الوضع الاجتماعي والاقتصادي كعامل وقائي. كما سلطت الدراسة الضوء على الدور المعقد للتنقل، الذي ارتبط عمومًا سلبًا مع الوفيات ولكنه أظهر تأثيرات متباينة عبر المناطق. تضمنت القيود الاعتماد على مجموعة بيانات زمنية واحدة والحاجة إلى مؤشرات تنقل متنوعة. بشكل عام، تؤكد الأبحاث على أهمية السياسات الصحية العامة المستهدفة التي تعالج الفئات الضعيفة وفائدة نماذج الانحدار المتقدمة في فهم الديناميات المكانية والزمنية لوفيات COVID-19.
DOI: https://doi.org/10.1007/s43762-024-00117-1
Publication Date: 2024-03-01
Author(s): Nanzhou Hu et al.
Primary Topic: COVID-19 epidemiological studies
Overview
The research paper investigates the spatial and temporal influences of mobility and health-related factors on COVID-19 mortality in the United States, utilizing the Geographical and Temporal Weighted Regression (GTWR) model. The study highlights that increased mobility and specific health conditions significantly affect COVID-19 mortality rates, particularly among vulnerable populations. By comparing the GTWR model with the Multiscale Geographically Weighted Regression (MGWR) model, the authors found that both models could explain substantial variations in mortality, with GTWR accounting for 91% and MGWR for 88%.
Key findings indicate that factors such as coronary heart disease, diabetes, and socioeconomic status, including median household income, play critical roles in mortality rates. The analysis also revealed that mean home-dwelling time negatively impacts COVID-19 spread, with variations observed over the months. Furthermore, the study emphasizes the importance of addressing healthcare access, particularly for uninsured individuals, as their lack of coverage correlates with higher mortality rates. Overall, the research provides essential insights for policymakers, suggesting that targeted interventions for at-risk populations and effective resource allocation can enhance pandemic response strategies.
Introduction
The introduction of the research paper highlights the profound impact of the COVID-19 pandemic on public health and society, noting over 1.14 million deaths and more than 100 million cases as of February 2023. The paper discusses the virus’s transmission routes and emphasizes social distancing and vaccination as critical measures to mitigate the spread. Despite these efforts, the emergence of new variants continues to challenge public health responses. The role of Geographic Information Systems (GIS) is underscored as a vital tool for analyzing the spatial patterns of COVID-19, enabling real-time monitoring and the examination of socioeconomic factors influencing disease spread.
The study aims to address gaps in understanding the interplay between individual health factors and COVID-19 outcomes, particularly among vulnerable populations with pre-existing health conditions. It proposes the use of Geographically Weighted Regression (GWR) to explore spatial relationships, while also introducing Geographically and Temporally Weighted Regression (GTWR) and Multiscale Geographically Weighted Regression (MGWR) as advanced methodologies to account for both spatial and temporal dynamics in COVID-19 mortality data. By integrating socioeconomic factors, mobility variables, and health conditions, the research seeks to provide a comprehensive analysis that can inform public health policy and decision-making.
Methods
In this study, the authors examined county-level variations in COVID-19 mortality across the United States by analyzing mobility, social, and health-related data from July to September 2021. Mobility data, specifically home-dwell time, was sourced from Safegraph, while health-related information on heart disease and diabetes was obtained from the Centers for Disease Control and Prevention Atlas. Additional demographic data were collected from the National Historical Geographic Information System, and COVID-19 mortality data was retrieved from the New York Times GitHub repository. All datasets were normalized for model processing.
The authors posited that increased mobility could exacerbate the effects of pre-existing health conditions on COVID-19 mortality, as higher mobility may lead to greater exposure to the virus. They hypothesized that areas with elevated rates of heart disease and diabetes would experience higher COVID-19 mortality rates, reflecting the vulnerability of these populations. This hypothesis aligns with findings from previous studies that highlight the interplay between mobility, health conditions, and COVID-19 outcomes. Table 1 in the paper details the datasets and variables utilized in the analysis.
Discussion
In this study, the Ordinary Least Squares (OLS) regression model was initially employed to analyze the spatial relationships between COVID-19 mortality and six explanatory factors: mobility, income, non-insurance, age, diabetes, and heart disease. The OLS model demonstrated a low R² value of 0.471, indicating that it explained only 47% of the variability in COVID-19 mortality, suggesting limitations in capturing spatial heterogeneity. Consequently, the Multiscale Geographically Weighted Regression (MGWR) model was applied, which provided improved model fit and allowed for a more nuanced understanding of local variations. The MGWR results were further enhanced by the Geographically Temporal Weighted Regression (GTWR) model, which accounted for both spatial and temporal dynamics, yielding a higher adjusted R² and lower AICc and RMSE values compared to OLS.
The findings revealed significant correlations between COVID-19 mortality and health factors, particularly the prevalence of diabetes and heart disease, as well as the proportion of older adults in a region. Notably, the influence of the older adult population on mortality decreased over time, suggesting effective protective measures or shifts in the pandemic’s impact across age groups. Additionally, higher median household income was associated with lower mortality rates, indicating socioeconomic status as a protective factor. The study also highlighted the complex role of mobility, which generally correlated negatively with mortality but exhibited varying effects across regions. Limitations included the reliance on a single temporal dataset and the need for diverse mobility indices. Overall, the research underscores the importance of targeted public health policies addressing vulnerable populations and the utility of advanced regression models in understanding the spatiotemporal dynamics of COVID-19 mortality.