[논문 리뷰] The COVID-19 Pandemic, Community Mobility and the Effectiveness of Non-pharmaceutical Interventions: The United States of America, February to May 2020

Ian E. Fellows, Rachel B. Slayton외 1명|arXiv (Cornell University)|2020. 07. 09.

COVID-19 epidemiological studies참고 문헌 24인용 수 6

한 줄 요약

이 연구는 2020년 2월에서 5월 사이의 미국 데이터를 베이지안 프레임워크를 사용해 분석하여, 구글 커뮤니티 모빌리티 보고서를 통해 측정된 지역 사회 이동성의 변화와 시변형 전파수치(Rt) 및 비약리적 조치(NPIs)를 연결한다. 이는 이동성 10% 감소 시 Rt가 10.2% 감소하고, 개별 NPIs가 아닌 시간에 따른 행동 변화가 조치를 보정한 후 Rt의 총 48% 감소에 기여했다는 것을 발견한다.

ABSTRACT

Background: The impact of individual non-pharmaceutical interventions (NPI) such as state-wide stay-at-home orders, school closures and gathering size limitations, on the COVID-19 epidemic is unknown. Understanding the impact that above listed NPI have on disease transmission is critical for policy makers, particularly as case counts increase again in some areas. Methods: Using a Bayesian framework, we reconstructed the incidence and time-varying reproductive number (Rt) curves to investigate the relationship between Rt, individual mobility as measured by Google Community Mobility Reports, and NPI. Results: We found a strong relationship between reproductive number and mobility, with each 10% drop in mobility being associated with an expected 10.2% reduction in Rt compared to baseline. The effects of limitations on the size of gatherings, school and business closures, and stay-at-home orders were dominated by the trend over time, which was associated with a 48% decrease in the reproductive number, adjusting for the NPI. Conclusions: We found that the decrease in mobility associated with time may be due to individuals changing their behavior in response to perceived risk or external factors.

연구 동기 및 목표

• 미국에서 스탠드-아웃 명령 및 학교 폐쇄와 같은 비약리적 조치(NPIs)가 코로나19 전파에 미치는 영향을 평가하기 위해.
• 구글 커뮤니티 모빌리티 보고서를 통해 측정된 지역 사회 이동성의 변화가 시변형 전파수치(Rt)와 어떻게 관련되어 있는지 검토하기 위해.
• 특정 NPIs의 영향을 시간에 따른 보편적인 행동 경향에서 분리하여 전염병 전파에 미치는 영향을 분석하기 위해.
• 초기 패닉 단계 동안 이동성 감소와 NPIs의 효과를 정량화하여 공중보건 정책에 정보를 제공하기 위해.

제안 방법

• 보고된 감염자 수 데이터로부터 유병률과 시변형 전파수치(Rt) 곡선을 재구성하기 위해 베이지안 계층 모델을 사용하였다.
• 이동성 데이터는 구글 커뮤니티 모빌리티 보고서에서 확보되었으며, Rt의 주요 예측 변수로 통합되었다.
• 집합 제한, 학교 폐쇄, 기업 폐쇄, 스탠드-아웃 명령과 같은 NPIs의 영향을 평가하기 위해 시간에 따라 변하는 계수를 포함한 모델이 사용되었다.
• 혼란 요인을 보정하기 위해 다변량 회귀 프레임워크를 적용하여 이동성 추세의 영향을 개별 NPIs에서 분리하였다.
• Rt를 동적으로 추정하기 위해 윈도우를 이동시키는 접근 방식을 사용하여 전파 변화를 실시간으로 평가할 수 있도록 하였다.
• 모델 피팅과 추론은 사례 보고 및 이동성 추정의 불확실성을 고려하기 위해 마르코프 체인 몬테카를로(MCMC) 방법을 사용하여 수행되었다.

실험 결과

연구 질문

• RQ1 초기 미국 코로나19 패닉 기간 동안 지역 사회 이동성 감소가 시변형 전파수치(Rt) 감소와 어느 정도 관련되어 있는가?
• RQ2 스탠드-아웃 명령 및 학교 폐쇄와 같은 특정 비약리적 조치(NPIs)가 이동성 변화를 보정한 후 Rt에 어떤 영향을 미치는가?
• RQ3 형식적인 NPI 시행과는 별개로 관찰된 Rt 감소의 몇 퍼센트가 시간에 따른 행동 변화에 기인하는가?
• RQ4 패닉 초기 단계에서 이동성 감소와 NPIs의 영향은 크기와 시기 측면에서 어떻게 비교되는가?

주요 결과

• 기타 요소를 동일하게 유지할 경우, 지역 사회 이동성 10% 감소는 시변형 전파수치(Rt) 10.2% 감소와 관련이 있었다.
• 시간에 따른 Rt의 총 감소는 주로 개인 행동과 이동성 변화에 기인하였으며, 특정 NPIs의 영향을 보정한 후 Rt의 48% 감소를 설명하였다.
• 집합 제한, 학교 폐쇄, 기업 폐쇄 등의 개별 NPIs의 영향은 이동성의 광범위한 추세에 흡수되어, 행동 적응이 주요 역할을 했다는 것을 시사한다.
• 시간에 따른 이동성 추세는 특정 NPIs의 시행 시기나 집행 여부보다 Rt에 더 강력한 예측 변수였다.
• 개별 NPIs가 이동 패턴에 미치는 영향 외에 Rt에 유의미한 독립적 영향을 미친다는 증거는 발견되지 않았다.
• 베이지안 모델링 프레임워크는 Rt의 동적 변화를 성공적으로 포착하였으며, 정책 관련 추론을 뒷받침하는 강력한 불확실성 추정치를 제공하였다.