[论文解读] Quantifying the influence of inter-county mobility patterns on the COVID-19 outbreak in the United States

Qianqian Sun, Yixuan Pan+3 more|arXiv (Cornell University)|Jun 24, 2020

COVID-19 epidemiological studies参考文献 23被引用 5

一句话总结

本研究利用超过1亿部移动设备的匿名位置数据，量化了美国县际间人员流动模式对COVID-19传播的影响。研究提出了一种“对数线性双重风险”模型，分别衡量来自县际流动的外部风险与高危人群脆弱性带来的内部风险，结果表明人员流动显著加剧了病毒传播，尤其是纽约市流出的流动对传播的放大作用尤为显著。

ABSTRACT

As a highly infectious respiratory disease, COVID-19 has become a pandemic that threatens global health. Without an effective treatment, non-pharmaceutical interventions, such as travel restrictions, have been widely promoted to mitigate the outbreak. Current studies analyze mobility metrics such as travel distance; however, there is a lack of research on interzonal travel flow and its impact on the pandemic. Our study specifically focuses on the inter-county mobility pattern and its influence on the COVID-19 spread in the United States. To retrieve real-world mobility patterns, we utilize an integrated set of mobile device location data including over 100 million anonymous devices. We first investigate the nationwide temporal trend and spatial distribution of inter-county mobility. Then we zoom in on the epicenter of the U.S. outbreak, New York City, and evaluate the impacts of its outflow on other counties. Finally, we develop a "log-linear double-risk" model at the county level to quantify the influence of both "external risk" imported by inter-county mobility flows and the "internal risk" defined as the vulnerability of a county in terms of population with high-risk phenotypes. Our study enhances the situation awareness of inter-county mobility in the U.S. and can help improve non-pharmaceutical interventions for COVID-19.

研究动机与目标

• 理解县际间人员流动模式如何影响美国COVID-19的地理传播。
• 量化外部风险（通过流动引入的病例）与内部风险（高危人群的县层面脆弱性）对本地传播的相对影响。
• 提升对流动驱动疫情动态的情境认知，以支持更明智的非药物干预措施。
• 开发一种县一级模型，整合流动驱动风险与内在风险因素，以预测疫情严重程度。

提出的方法

• 本研究使用超过1亿部移动设备的匿名位置数据，重建了美国全境的县际间实际人员流动模式。
• 分析县际间旅行的时间趋势与空间分布，重点关注纽约市疫情中心及其向其他县的流出情况。
• 在县一级开发了一种“对数线性双重风险”模型，结合外部风险（来自流动流入）与内部风险（来自具有高危表型的人群）。
• 该模型采用对数线性回归框架，量化两类风险因素对本地确诊病例数的影响。
• 利用县一级的已确诊病例数据与基于匿名设备数据生成的流动矩阵对模型进行验证。

实验结果

研究问题

• RQ1 县际间流动在多大程度上促成了美国COVID-19的地理传播？
• RQ2 像纽约市这样的高影响力疫情中心的流出，如何影响其他县的病例发病率？
• RQ3 外部风险（通过流动引入的病例）与内部风险（本地人群脆弱性）对本地传播的相对贡献是什么？
• RQ4 对数线性双重风险模型能否有效量化并基于流动与人口统计风险因素预测县一级的疫情严重程度？

主要发现

• 县际间流动显著放大了COVID-19的传播，尤其是在纽约市等高流量疫情中心的影响下尤为明显。
• 纽约市的流出是其他县早期病例增加的主要驱动因素，尤其在东北部与中西部地区。
• “对数线性双重风险”模型展现出强大的预测能力，表明外部流动风险与内部人群脆弱性均独立影响本地确诊病例数。
• 即使在控制流动流入后，高危表型人群比例较高的县仍经历了不成比例的更高传播率。
• 本研究揭示，人员流动模式是疫情动态中的关键且可量化的因素，凸显了流动感知干预措施的重要价值。