بررسی ویژگی‌های فضایی شهری انتقال COVID-19 در ووهان بر اساس داده‌های رسانه‌های اجتماعی

خلاصه

در مراحل اولیه شیوع COVID-19 در ووهان، منابع پزشکی کوتاهی وجود داشت، و Sina Weibo، یک پلت فرم رسانه اجتماعی در چین، کانالی را برای بیماران مبتلا به پنومونی کروناویروس جدید ایجاد کرد تا به دنبال کمک باشند. این مقاله بر اساس داده‌های برچسب‌گذاری جغرافیایی Sina Weibo از ۳ تا ۱۲ فوریه ۲۰۲۰، توزیع مکانی و زمانی موارد COVID-19 را در منطقه اصلی شهری ووهان تجزیه و تحلیل می‌کند و ویژگی‌های فضایی شهری انتقال COVID-19 در ووهان را بررسی می‌کند. نتایج نشان می‌دهد که جمعیت سالمند بیش از نیمی از تعداد کل کمک جویان Weibo را تشکیل می‌دهد و یک همبستگی نزدیک بین آن‌ها از نظر ویژگی‌های توزیع فضایی نیز یافت شده است که تأیید می‌کند که جمعیت سالمند گروهی از افراد با کیفیت بالا است. خطر و شیوع بالا در شیوع COVID-19، نیاز به توجه بیشتر به سلامت عمومی و سیاست های پیشگیری از بیماری همه گیر. از سوی دیگر، انتقال زودهنگام COVID-19 در ووهان را می توان به سه عبارت تقسیم کرد: عفونت پراکنده، گسترش جامعه و شیوع گسترده. این مقاله می‌تواند به درک انتقال فضایی COVID-19 در ووهان کمک کند تا یک استراتژی پیشگیرانه مؤثر برای سلامت عمومی برای بهینه‌سازی فضای شهری پیشنهاد کند.

کلید واژه ها:

COVID-19 ؛ داده های رسانه های اجتماعی ؛ سینا ویبو ; ویژگی های مکانی و زمانی

۱٫ معرفی

در ژانویه ۲۰۲۰، پنومونی کروناویروس جدید، کووید-۱۹، در ووهان، مرکز استان هوبی در چین شیوع یافت و گسترش این بیماری همه‌گیر یک نگرانی جهانی در حال افزایش است [ ۱ ]. به منظور کاهش سرعت و جلوگیری از انتشار ویروس، ووهان در تاریخ ۲۳ ژانویه ۲۰۲۰ تعطیلی را برای تعلیق حمل و نقل عمومی شهر اعلام کرد و محدودیت بی سابقه ای را برای تحرک شخصی اعمال کرد. اثر محدودیت تماس به تدریج پس از یک ماه ظاهر شد، که ثابت می کند برای شهرهایی با تراکم جمعیت بالا، محدودیت های شدید در جابجایی جمعیت می تواند نقش مثبتی در سرکوب شیوع بیماری های عفونی داشته باشد [ ۲ ].

تحقیقات موجود شامل مطالعه دینامیک مکانی-زمانی کووید-۱۹ در سطح کشور است [ ۳ ، ۴ ، ۵ ]، با کمبود جزئیات آشکار ویژگی ها در مراحل اولیه در فضای شهری، که برای توسعه کار پیشگیری و کنترل در شهر در طول همه گیری. شیوع COVID-19 تأیید می کند که پیشگیری از بیماری همه گیر در بهداشت عمومی بخش اساسی برنامه ریزی شهری و حکمرانی است [ ۶ ، ۷ ]. درک ناهمگونی فضای شهری از نظر فضای اجتماعی و فضای جغرافیایی در شهر [ ۸ ]، شناسایی افراد مستعد [ ۹ ، ۱۰ ] مهم است.] و فضاهای مستعد بیماری، و درک گسترش پویا بیماری های عفونی در فضاهای شهری [ ۱۱ ]. بنابراین، گره های کنترل پیشگیرانه می توانند اقدامات مربوطه را برای گروه ها و فضاهای خاص اجرا کنند [ ۱۲ ، ۱۳ ].

با توسعه سریع فناوری اطلاعات و ارتباطات (ICT)، داده های بزرگ در سال های اخیر به طور گسترده در زمینه بهداشت عمومی استفاده شده است [ ۱۴ ، ۱۵ ]. داده‌های رسانه‌های اجتماعی مانند داده‌های توییتر و ویبو برای مطالعه توجه عمومی [ ۱۶ ، ۱۷ ]، برای پیش‌بینی شیوع بیماری همه‌گیر [ ۱۸ ، ۱۹ ، ۲۰ ]، و برای انجام تحقیقات در مورد احساسات انسانی مورد استفاده قرار گرفتند [ ۲۱ ، ۲۲ ]] در طول اپیدمی COVID-19. در مقایسه با داده‌های موارد سنتی، مزایای منحصر به فردی مانند پوشش نمونه جمعیتی گسترده‌تر، دسترسی آسان‌تر و اطلاعات دقیق جغرافیایی وجود دارد. چنین داده های بزرگ در مطالعات اپیدمی می تواند درک اپیدمی را در زمان و مکان بهبود بخشد و نقش مهمی در تدوین استراتژی های پیشگیری و کنترل شهری هدفمند ایفا کند.

در روزهای اولیه قرنطینه، ووهان به عنوان مرکز اپیدمی با چالش‌های بزرگی روبرو بود. وحشت ناشی از شیوع COVID-19 تعداد زیادی از مردم را برای ورود به بیمارستان تحریک کرد که منجر به فروپاشی کوتاه مدت سیستم پزشکی شد. چنین فشاری بر منابع پزشکی همچنین بسیاری از افراد مشکوک و تشخیص داده شده به کووید-۱۹ را از دریافت به موقع درمان جلوگیری کرد. بیش از ۱۰۰۰ خانواده در ووهان اطلاعات کمکی را در Sina Weibo، یک پلت فرم رسانه اجتماعی چینی ارسال کردند و به دنبال درمان فوری پزشکی بودند. اکثر اطلاعات از چهارم تا هشتم فوریه ارسال شد و سپس به سرعت کاهش یافت، زمانی که سیاست “تضمین اینکه همه موارد مشکوک و تایید شده باید جمع آوری و درمان شوند” در پنجم فوریه منتشر شد و یک سری اقدامات توسط دولت برای سریع انجام شد. مکمل منابع پزشکی،شکل ۱ ).

داده‌های دارای برچسب جغرافیایی Weibo می‌توانند توزیع فضایی آلوده‌کننده‌های کووید-۱۹ را منعکس کنند و نمونه‌ای از داده‌های قابل دسترس را ارائه دهند که منعکس‌کننده ویژگی‌های مکانی-زمانی توسعه همه‌گیری است. از سوی دیگر، داده‌های تلفن همراه با برچسب سن ممکن است به توصیف توزیع فضایی جمعیت سالمند در منطقه مورد مطالعه کمک کند. هدف این مقاله تحلیل توزیع فضایی انتقال COVID-19 بر اساس تجسم سیستم اطلاعات جغرافیایی (GIS) است [ ۲۳ ، ۲۴ ]] با داده‌های کمک جویان کووید-۱۹ Weibo از ۳ فوریه تا ۱۲ فوریه، برای بررسی ارتباط بین ویژگی‌های فضایی توزیع همه‌گیری و جمعیت مسن، و تجزیه و تحلیل ویژگی‌های مکانی-زمانی گسترش همه‌گیری. تجزیه و تحلیل مشخصات دقیق اپیدمی در فضای شهری می تواند به شهرهایی که ممکن است شیوع بیماری داشته یا داشته اند کمک کند تا مکانیسم انتقال بیماری را بهتر درک کنند و برای بهبود آگاهی شهروندان از حفاظت و ارائه مراجع سیاستی خاص برای دولت اهمیت زیادی دارد. بخش ها

۲٫ منطقه مطالعه

ووهان، به عنوان مرکز استان هوبی، ( شکل ۲ الف) اولین منطقه شیوع COVID-19 در چین بود. یک دوره پزشکی کوتاه بین قرنطینه در ۲۳ ژانویه ۲۰۲۰ و افزایش تعداد تخت‌های پزشکی و کادر پزشکی حامی ووهان وجود داشت که منجر به این شد که ۹۹ درصد از Weibo در جستجوی بیماران در ووهان باشند ( شکل ۳ ). ووهان در شرق دشت جیانگهان و در میان رودخانه یانگ تسه واقع شده است. رودخانه یانگ تسه و بزرگترین شاخه آن، رودخانه هان، از مرکز شهر می گذرد و منطقه شهری مرکزی ووهان را به سه منطقه ووچانگ، هانکو و هانیانگ تقسیم می کند که در آن سوی رودخانه قرار دارند ( شکل ۲).ب). منطقه اصلی شهری ووهان (MUA) تمرکز اصلی منطقه عملکرد شهری است که با مرز اداری مناطق فرعی همپوشانی دارد.

ووهان شامل هفده ناحیه فرعی است که شامل جیانگ آن (JA)، جیانگهان (JH)، کیائوکو (QK)، هانیانگ (HY)، منطقه توسعه فناوری اقتصادی ووهان (WED)، هنگشان (HS)، شرق دریاچه فناوری پیشرفته منطقه توسعه (EHD)، ووچانگ (WC)، منطقه خوش‌منظره بوم‌گردی شرق دریاچه (EES)، Qingshan (QS)، پارک صنعت شیمیایی ووهان (WCIP)، Dongxihu (DXH)، Xinzhou (XZ)، Huangpi (HP)، Jiangxia (JX)، Caidian (CD)، و Hannan (HN) ( شکل ۲ ج). که در آن، WCIP و HN معمولاً از نظر آماری به ترتیب به QS و WED تعلق دارند.

بر اساس داده های همه گیر در ۱۱ ژوئن ۲۰۲۰، حدود ۷۶٫۳۲۷٪ از کل موارد تجمعی در ووهان در MUA بودند ( جدول ۱ )، که همچنین منطقه نسبتاً متمرکز برای کمک جویان اولیه Weibo است.

۳٫ مواد و روشها

۳٫۱٫ داده ها و پیش پردازش

۳٫۱٫۱٫ داده های Weibo

Sina Weibo یکی از تأثیرگذارترین پلتفرم های رسانه های اجتماعی در چین است. تا پایان ژوئن ۲۰۱۹، ۴۸۶ میلیون کاربر فعال ماهانه داشت [ ۲۵ ]. در مراحل اولیه اپیدمی COVD-19، به دلیل فروپاشی کوتاه مدت سیستم پزشکی، Weibo کانال جدیدی را برای کمک به دنبال پنومونی کروناویروس باز کرد [ ۲۶ ] برای کمک به بیمارانی که نتوانستند به موقع درمان شوند. سوابق کمک جویی عمدتاً از ۳ فوریه تا ۱۲ فوریه ۲۰۲۰ بود. این مطالعه حدود ۱۲۰۰ پرونده Weibo را تحت عنوان “کمک طلبی جدید در مورد پنومونی کروناویروس” جمع آوری کرد و اطلاعات معتبری از جمله نام، سن، آدرس خانه، زمان بیماری را در نظر گرفت. و تعداد افراد آلوده ( شکل ۴). به این ترتیب، ۷۴۰ رکورد از اطلاعات معتبر در نهایت پس از پاکسازی داده ها به دست آمد که در آن ۷۲۹ رکورد در ووهان بود ( شکل ۳ ).

توزیع فضایی کمک جویان با کدگذاری جغرافیایی به دست می آید ( شکل ۵ ). داده‌ها نشان می‌دهد که تعداد زیادی از کمک‌جویان در منطقه اصلی شهری ووهان متمرکز شده‌اند و تعداد کمی از سوابق خارج از آن هستند.

۳٫۱٫۲٫ داده های تلفن همراه

داده‌های ثبت جزئیات تماس مارس ۲۰۱۷ (CDR) شهر ووهان با برچسب‌های سنی در این مطالعه استفاده شد و توزیع فضایی ایستگاه‌های پایه در شکل ۶ نشان داده شده است . برای بدست آوردن توزیع فضایی جمعیت تلفن همراه و جمعیت سالمند مراحل به شرح زیر بود.

شماره تلفن همراه و شناسه کاربری را مطابقت دادیم تا تمام اطلاعات خصوصی حذف شود و سپس داده های نامعتبر و نویز حذف شد.
ما ایستگاه‌های پایه با بالاترین فرکانس تماس کاربران را که با کد ایستگاه پایه و شناسه کاربر مطابقت داشتند، شمارش کردیم و تعداد کاربرانی را که ایستگاه پایه به آنها خدمت می‌کرد خلاصه کردیم.

۳٫۲٫ روش های پژوهش

۳٫۲٫۱٫ تجزیه و تحلیل تراکم هسته

روش چگالی هسته استفاده شد زیرا داده‌های Weibo را می‌توان به عنوان نمونه داده‌ای از کل آلوده‌کنندگان COVID-19 مشاهده کرد. تجزیه و تحلیل چگالی هسته قادر به محاسبه چگالی واحد مقادیر اندازه گیری شده نقاط و عناصر خط در یک همسایگی مشخص است که به طور مستقیم توزیع مقادیر اندازه گیری گسسته را در ناحیه پیوسته منعکس می کند. نتیجه سطح صاف با مقدار متوسط بزرگ و مقدار محیطی کوچک است. مقدار شبکه چگالی واحد است که در مرز محله به ۰ کاهش می یابد. تجزیه و تحلیل چگالی هسته را می توان برای دسترسی به تسهیلات خدمات [ ۲۷ ]، پیش بینی جرم [ ۲۸ ]، تجزیه و تحلیل تجاری و غیره استفاده کرد. بیان تابع آن به شرح زیر است:

f^ساعت(ایکس)=۱nساعت∑من=۱nک(ایکس-ایکسمنساعت)

(۱)

که در آن K هسته است (یک تابع غیر منفی)، ساعت> 0 یک پارامتر هموارسازی به نام پهنای باند است، ایکسمننقطه نمونه است.

۳٫۲٫۲٫ رگرسیون حداقل مربعات معمولی

بر اساس روش چگالی هسته، مقدار میانگین هر واحد فضایی محاسبه می‌شود. سپس مدل‌های رگرسیون با استفاده از درون‌یابی افراد آلوده از داده‌های Weibo، درون‌یابی جمعیت و جمعیت سالمند تولید شده توسط داده‌های تلفن همراه در واحدهای اجتماعی در منطقه اصلی شهری ساخته شد. متغیرهای توضیحی کوواریانس با پارامتر ضریب تورم واریانس (VIF) بررسی شدند و متغیرهای توضیحی با گذراندن مقدار P از آزمون سطح معنی‌داری ۱ درصد به‌دست آمدند. عبارت تابع به صورت زیر است:

Y=βمتر+β۱ایکس۱+ε۱

(۲)

Y=βn+β۲ایکس۲+ε۲

(۳)

که در آن Y درون یابی افراد آلوده به Weibo در واحد جامعه است، x _۱ درون یابی جمعیت به دست آمده از داده های تلفن همراه در واحد جامعه، x _۲ درون یابی جمعیت سالمندان است که از داده های تلفن همراه در واحد جامعه به دست آمده است، βm و _βn وقفه، β _۱ و β _۲ضرایب رگرسیون عوامل و ε _۱ و ε _۲ خطاهای تصادفی هستند _.

۴٫ نتایج

۴٫۱٫ تجزیه و تحلیل اولیه در مورد کووید-۱۹ داده های Weibo

۴٫۱٫۱٫ آمار جمعیتی

۶۹۱ رکورد حاوی برچسب های سنی وجود دارد که حداکثر سن ۹۵ و حداقل ۱۱ ماهگی بوده است. در این میان، نسبت افراد آلوده بین ۳۰ تا ۶۹ سال ۶۹٫۴۷ درصد بود که کمتر از نسبت مربوط به ۷۷٫۲ درصد در کل نمونه ووهان تا ۱۱ فوریه ۲۰۲۰ [ ۲۹ ] و نسبت آلوده کنندگان بالای ۶۰ سال ۵۷٫۰۲ درصد بود. که بیشتر از نسبت متناظر ۴۴٫۱ درصد در کل نمونه شهر ووهان بود که نشان داد جمعیت مستعد ابتلا به کروناویروس جدید عمدتاً گروه‌های میانسال و سالمند بودند. علاوه بر این، سالمندانی که از بیماری‌های اساسی رنج می‌برند، بیشتر به بیماران بحرانی تبدیل می‌شوند، که باعث می‌شود بیماران مسن به گروهی تبدیل شوند که بیش از نیمی از کمک‌جویان Weibo را تشکیل می‌دهند ( شکل ۷).).

۴٫۱٫۲٫ توزیع فضایی

با توجه به آمار تعداد آلوده کننده های خانگی گزارش شده در هر رکورد واحد، اکثر سوابق یک تا دو عفونت را گزارش کرده اند که بیشترین تعداد عفونت با هشت مورد، نشان دهنده شدت عفونت های خوشه ای در خانواده ها است ( شکل ۸ ). توزیع فضایی موارد COVID-19 داده‌های Weibo در MUA الگوهای منطقه‌ای نسبتاً متمرکزی را در Hankou، شمال هانیانگ و Wuchang نشان داد ( شکل ۹ ).

۴٫۱٫۳٫ آمار سری زمانی

بر اساس تعداد عفونت COVID-19 سوابق Weibo و کل آلوده کننده گزارش شده، منحنی تغییر مربوطه بر اساس زمان شروع از ۲۰ دسامبر ۲۰۱۹ تا ۱۰ فوریه ۲۰۲۰ به دست آمد ( شکل ۱۰ ). به وضوح می توان مشاهده کرد که با گذشت زمان، قدر مطلق تفاوت بین این دو به تدریج افزایش یافت و زمانی که اپیدمی در حال شیوع کامل بود، در حدود ۲۳ ژانویه ۲۰۲۰ به حداکثر رسید و سپس یک روند نزولی عمومی داشت. این نشان می دهد که در دوره رشد سریع آلوده کننده ها از ۲۲ دسامبر ۲۰۲۰، اقدامات کنترل ایزوله مانند محدودیت های ترافیکی و بهبود امکانات پزشکی به طور موثری تعداد عفونت های خانگی را کاهش داده است.

۴٫۲٫ همبستگی فضایی بین موارد COVID-19 و تراکم جمعیت

۴٫۲٫۱٫ تجزیه و تحلیل تراکم هسته

ویژگی‌های فضایی موارد COVID-19 و تراکم جمعیت به ترتیب با وزن تعداد عفونت‌ها، جمعیت و جمعیت سالمند مطابق با روش تراکم هسته مشاهده و مقایسه شد. همانطور که در شکل ۱۱ نشان داده شده است ، موارد COVID-19 داده های Weibo عمدتاً در ناحیه مرکزی در امتداد رودخانه یانگ تسه متمرکز شده اند که مشابه توزیع فضایی تراکم جمعیت، به ویژه جمعیت سالمندان است ( شکل ۱۱ ).

جالب اینجاست که بازار غذاهای دریایی هوانان، که به عنوان نقطه منشا شیوع در نظر گرفته می‌شود، مرکز جغرافیایی شیوع همه‌گیری نبوده است. این را می توان با تراکم جمعیت متوسط و تراکم کم جمعیت سالمندان توضیح داد.

۴٫۲٫۲٫ رگرسیون حداقل مربعات معمولی (OLS).

با توجه به راه های شریانی شهری، منطقه تحلیل ترافیک (TAZ) [ ۳۰ ]، واحد آماری فضایی برای تجزیه و تحلیل ویژگی های رفت و آمد جمعیت شهری، توسط بخش مدیریت ترافیک تقسیم شد. از آنجایی که در مطالعه بین جمعیت و جمعیت سالمند همبستگی وجود داشت، مدل OLS بر اساس سطح TAZ با استفاده از درون یابی کمک جویان از داده های Weibo، با درون یابی جمعیت و جمعیت سالمند تولید شده توسط تلفن همراه ایجاد شد. داده ها به ترتیب. نتایج بیشتر تأیید می کند که توزیع جمعیت سالمند به طور قابل توجهی با عفونی کننده ها مرتبط است، با R-Squared بالاتر از ۰٫۷۰۳۸ ( جدول ۲ ).

۴٫۳٫ ویژگی های مکانی-زمانی انتقال COVID-19

این مقاله بیشتر ویژگی‌های مکانی-زمانی اولیه انتقال اپیدمی را بر اساس زمان آلودگی موارد COVID-19 ارائه شده توسط داده‌های Weibo بررسی کرد. که در آن، نقاط داغ را می توان به عنوان اولین انتقال پاتوژن در نظر گرفت و نواحی با بالاترین تراکم در هر دوره را می توان به عنوان مناطقی با سریع ترین انتقال عفونت در نظر گرفت. نقشه انتقال COVID-19 داده‌های Weibo یک فرآیند واضح از سه مرحله را نشان می‌دهد: عفونت پراکنده، گسترش جامعه و شیوع گسترده.

در داده‌های COVID-19 Weibo، فقط ۳ آلوده کننده قبل از سال ۲۰۲۰ گزارش شده بود و ۲۵ آلوده کننده از ۱ تا ۱۸ ژانویه ۲۰۲۰ بودند. اولین نقاط آلوده قبلاً همه مناطق شیوع را به‌جز نقاط داغ در منطقه Hongshan پوشش می‌دادند ( شکل ۱۲ a) ، که در دوره دوم ظاهر شد ( شکل ۱۲ ب). نتیجه نشان می دهد که قبل از قرنطینه ووهان در ۲۳ ژانویه، موارد عمدتاً در نواحی Jiang’an، Jianghan، Qiaokou، Hanyang، Wuchang، Hongshan و Qingshan در مراحل اولیه وجود داشته است ( شکل ۱۲ ).

اوج اپیدمی در حدود ۲۳ ژانویه ۲۰۲۰ ظاهر شد ( شکل ۱۳ a ). چندین مرکز شیوع وجود داشته است و مراکز بالاتر، نقاط داغ در Qiaokou، Jiang’an، Wuchang، Hongshan و Qingshan بودند. مشخص شد که مناطق شیوع همه‌گیری، همگی مناطق مسکونی با تراکم بالا هستند که نشان‌دهنده مرحله ورود به انتقال جامعه هستند ( شکل ۱۳ ).

از ۲۹ ژانویه ۲۰۲۰ تا ۳ فوریه ۲۰۲۰، در چندین دوره زیر اوج بوده است ( شکل ۱۴ a-c). توزیع موارد در یک روند متوسط در همه مناطق بود، با کانون های کانونی در مناطق جیانگ آن، جیانگگان، ووچانگ، و چینگشان، که هنوز اساساً در محدوده اولیه قرار دارند. تعداد مناطق چگالی هسته کاهش یافت در حالی که دامنه انتقال از ۴ فوریه تا ۷ فوریه ۲۰۲۰ بیشتر شد ( شکل ۱۴ d,e). تا ۱۰ فوریه ۲۰۲۰، تعداد بیماران به سمت تک رقمی شدن روند و ویژگی‌های توزیع فضایی دیگر از نظر پوشش نمونه‌گیری معمولی نبود ( شکل ۱۴ f).

۵٫ بحث

توزیع فضایی موارد COVID-19 استخراج‌شده توسط داده‌های Weibo با تراکم جمعیت، به‌ویژه جمعیت سالمندان، ارتباط زیادی دارد. ووهان به عنوان اولین منطقه شیوع در چین، زودتر وارد مرحله انتقال جامعه شد. بنابراین، می توان استنباط کرد که پس از توسعه اپیدمی برای یک دوره زمانی، شاخص باززایی R0 در هر منطقه تمایل به ثابت بودن داشت که منجر به همبستگی قوی بین مورد و جمعیت شد. رابطه نزدیک‌تر بین موارد و جمعیت سالمند تأیید می‌کند که جمعیت سالمند گروه پرخطر است، مطابق با مشاهدات پزشکی فعلی [ ۲۹ ، ۳۱ ]]. در نتیجه، این مطالعه پیشنهاد می‌کند که سالمندان به‌عنوان جمعیت مستعد با بروز بالا و خطر ابتلا به کووید-۱۹، باید هدف کلیدی برای پاسخ فعال در پیشگیری از همه‌گیری باشند.

در مقایسه با داده‌های موارد سنتی، داده‌های مکانی-زمانی مانند داده‌های رسانه‌های اجتماعی، در دسترس‌تر و حساس‌تر به زمان هستند. متفاوت از مطالعه قبلی در منابع داده [ ۳۲ ]، این مطالعه داده‌های رسانه‌های اجتماعی و داده‌های تلفن همراه را برای بررسی ویژگی‌های فضایی انتقال کروناویروس جدید پیشنهاد می‌کند. داده‌های Weibo برای شناسایی توزیع فضایی آلوده‌کننده‌ها از اهمیت بالایی برخوردار است و تلفن همراه جمعیتی در مقیاس دقیق با برچسب‌های سنی را فراهم می‌کند.

نتایج نشان می دهد که:

(۱): زمانی که سرانه منابع پزشکی بسیار کمیاب بود، میزان بروز در مناطق شهری پس از ورود به دوره انتقال جامعه یکسان بود. توزیع فضایی کمک جویان با تراکم جمعیت منطقه ای مرتبط بود. از آنجایی که سالمندان بیشتر به گروه های شدید تبدیل می شوند، توزیع فضایی کمک جویان با تراکم جمعیت سالمند همبستگی بیشتری داشت.
(۲): اپیدمی کروناویروس جدید ویژگی مکانی و زمانی آشکار عفونت پراکنده، گسترش جامعه و شیوع گسترده را در مراحل اولیه نشان داد، که به طور خاص در فرآیند انتشار متحرک با محوریت موارد اولیه یافت شده در Jiang’an، Jianghan، Qiaokou آشکار شد. ، مناطق ووچانگ، هنگشان و هانیانگ قبل از ۲۳ ژانویه، گسترش داخلی هر جامعه که ساختار چندمرکزی را پس از ۲۳ ژانویه تشکیل می دهد، و فرآیند انفجار که در آن ناحیه هسته چگالی بیشتر گسترش می یابد.

در مقایسه با تحقیقات انجام شده در سطح کشور ۱ [ ۳ ، ۴ ، ۵ ]، ویژگی‌های مکانی و زمانی اپیدمی در شهرهای نوظهور می‌تواند به ما در درک جزئیات تعاملات بین منطقه‌ای در فضای شهری کمک کند و به سایر شهرهایی که احتمالاً دارای آن هستند کمک کند. برای درک بهتر مکانیسم انتقال بیماری و رابطه بین حکمرانی شهری و پیشگیری از اپیدمی بهداشت عمومی، شیوع بیماری داشته یا شیوع داشته اند تا به ترتیب اقدامات حفاظتی مناسب در هر مرحله انجام شود.

در طول دوره اپیدمی، کشورها اصول متفاوتی برای استفاده از داده های حریم خصوصی در سیاست کلی پیشگیری و کنترل همه گیر دارند. هنگامی که به دست آوردن اطلاعات دقیق بیماری که شامل مسائل مربوط به حریم خصوصی است دشوار است، داده های خود به خودی ارائه شده توسط رسانه ها می تواند به عنوان وسیله ای موثر برای ارائه درجه مشخصی از اطلاعات مرجع برای ادارات عمومی و دولتی استفاده شود. در همین حال، به دلیل عدم دسترسی به داده ها، از داده های ثبت جزئیات تماس مارس ۲۰۱۷ در شهر ووهان استفاده کردیم. ناسازگاری داده ها در نمایه زمانی ممکن است منجر به تفاوت خاصی در نتایج شود، در حالی که ما در نظر داریم که چنین دوره زمانی از نظر ویژگی های ماکروسکوپی تغییر زیادی نخواهد کرد.

زمان انتشار اطلاعات کمکی Weibo عمدتاً از ۳ فوریه تا ۱۲ فوریه بود. با تکمیل تدریجی منابع پزشکی، اطلاعات کمکی به روز نشد. از تحلیل همبستگی فضایی می توان دریافت که داده های کمک جویی در این دوره از پوشش فضایی خوبی برخوردار بوده است، در نتیجه، این مطالعه معتقد است که می تواند سه مرحله اولیه انتقال بیماری را در فضای شهری ووهان از ۲۰ دسامبر ۲۰۱۹ تا ۱۰ فوریه منعکس کند. ، ۲۰۲۰ تا حدودی. همچنین لازم به ذکر است که با توجه به حجم نمونه کوچک موارد Weibo و زمان شروع آن بیشتر پس از سال ۲۰۲۰ بوده است، با وجود پوشش خوب نمونه، همچنان اطلاعات گم شده ای وجود داشت. اهمیت تحقیق ما انجام چنین تلاشی بر روی داده های محدود است، برای انجام یک تحلیل گذشته‌نگر از توسعه وضعیت همه‌گیری، و تجزیه و تحلیل قوانین احتمالی گسترش بیماری در مکان و زمان، با درجه مشخصی از تأیید. بنابراین، اگر بتوان اطلاعات دقیق توزیع فضایی بیماران اولیه را به دست آورد، به روشی مشابه می توان یک استنتاج گذشته نگر کامل از مسیر انتقال فضایی کل اپیدمی اولیه به دست آورد.

علاوه بر این، مطالعه را می توان در جنبه های زیر گسترش داد: (۱) اکتشاف بیشتر عوامل مؤثر بر همه گیری برای درک بهتر مکانیسم انتقال و (۲) ترکیب با داده های جریان دقیق تر برای ساخت مدل عامل برای شبیه سازی و تجزیه و تحلیل بیشتر.

۶٫ نتیجه گیری

در زمینه شیوع کووید-۱۹ در ووهان، نقشه برداری مکانی-زمانی برای درک ویژگی های مکانی مکانیسم انتقال ویروس جدید کرونا از اهمیت حیاتی برخوردار است. این مطالعه به پیشنهاد ترکیبی از کمک Weibo برای جستجوی داده ها و داده های تلفن همراه برای دستیابی به مطالعه کمی اپیدمی کروناویروس جدید کمک می کند. نقشه‌برداری جستجوی کمک می‌تواند منعکس‌کننده توزیع فضایی واقعی آلوده‌کنندگانی باشد که تحت شرایط کوتاه مدت منابع پزشکی در ووهان نتوانستند درمان به موقع در شهر اپیدمی دریافت کنند و به ما کمک کند تا ویژگی‌های انتقال آشکار توسعه همه‌گیری را شناسایی کنیم. به طور خاص در عفونت پراکنده قبلی، گسترش جامعه و فرآیند شیوع در مقیاس کامل به طور کلی آشکار می شود. همزمان، جمعیت به دست آمده از داده های تلفن همراه امکان یافتن شباهت زیاد الگوهای توزیع بین موارد کووید-۱۹ Weibo و جمعیت سالمند را فراهم می کند که با نتیجه مدل OLS تأیید شده است. در نتیجه، می‌توان از آن به عنوان شواهدی برای گروه‌های جمعیتی مسن که جمعیت مستعد ابتلا به پنومونی کروناویروس جدید هستند استفاده کرد. علاوه بر این، این مطالعه پیشنهاد می‌کند که جمعیت سالمند باید هدف کلیدی برای پاسخ فعال در پیشگیری از همه‌گیری باشد در حالی که اقدامات مربوطه باید به کار گرفته شود. می توان از آن به عنوان شواهدی برای گروه های جمعیتی مسن که جمعیت مستعد ابتلا به پنومونی کروناویروس جدید هستند استفاده کرد. علاوه بر این، این مطالعه پیشنهاد می‌کند که جمعیت سالمند باید هدف کلیدی برای پاسخ فعال در پیشگیری از همه‌گیری باشد در حالی که اقدامات مربوطه باید به کار گرفته شود. می توان از آن به عنوان شواهدی برای گروه های جمعیتی مسن که جمعیت مستعد ابتلا به پنومونی کروناویروس جدید هستند استفاده کرد. علاوه بر این، این مطالعه پیشنهاد می‌کند که جمعیت سالمند باید هدف کلیدی برای پاسخ فعال در پیشگیری از همه‌گیری باشد در حالی که اقدامات مربوطه باید به کار گرفته شود.

به طور کلی، مطالعه مبتنی بر استفاده از داده‌های Weibo، داده‌های تلفن همراه و سایر منابع داده‌های بزرگ فضایی می‌تواند به وضوح افراد مستعد و فضاهای مستعد بیماری را شناسایی کند و روند انتشار پویای مکانی و زمانی ویروس جدید کرونا را بررسی کند. برای ارائه مبنای تصمیم گیری برای پیشگیری و کنترل بیماری تا حد معینی مفید است.

منابع

وو، اف. ژائو، اس. یو، بی. چن، YM; وانگ، دبلیو. آهنگ، ZG; هو، ی. تائو، ZW; تیان، جی اچ. پی، YY; و همکاران ویروس کرونا جدید با بیماری تنفسی انسان در چین مرتبط است. Nature ۲۰۲۰ ، ۵۷۹ ، ۲۶۵-۲۶۹٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
تیان، اچ. لیو، ی. لی، ی. وو، سی.-اچ. چن، بی. کریمر، MU; لی، بی. کای، جی. خو، بی. یانگ، کیو. بررسی اقدامات کنترل انتقال طی ۵۰ روز اول اپیدمی COVID-19 در چین. Science ۲۰۲۰ ، ۳۶۸ ، ۶۳۸-۶۴۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
گائو، اس. رائو، جی. کانگ، ی. لیانگ، ی. Kruse, J. نقشه برداری تغییرات الگوی تحرک در سطح شهرستان در ایالات متحده در پاسخ به COVID-19. Sigspatial Spec. ۲۰۲۰ ، ۱۲ ، ۱۶-۲۶٫ [ Google Scholar ] [ CrossRef ]
هوانگ، آر. لیو، ام. دینگ، ی. توزیع مکانی-زمانی COVID-19 در چین و پیش‌بینی آن: تحلیل مدل‌سازی مبتنی بر داده. ج. عفونی کردن. توسعه دهنده Ctries. ۲۰۲۰ ، ۱۴ ، ۲۴۶-۲۵۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کانگ، دی. چوی، اچ. کیم، جی. اچ. چوی، جی. پویایی اپیدمی فضایی شیوع COVID-19 در چین. بین المللی ج. عفونی کردن. دیس ۲۰۲۰ ، ۹۴ ، ۹۶-۱۰۲٫ [ Google Scholar ] [ CrossRef ]
کیل، آر. علی، ح. اداره شهر بیمار: حکمرانی شهری در عصر بیماری های عفونی نوظهور. Antipode ۲۰۰۷ ، ۳۹ ، ۸۴۶-۸۷۳٫ [ Google Scholar ] [ CrossRef ]
نیدرود، سی.-جی. چگونه شهرنشینی بر اپیدمیولوژی بیماری های عفونی نوظهور تأثیر می گذارد. آلوده کردن Ecol. اپیدمیول. ۲۰۱۵ ، ۵ ، ۲۷۰۶۰٫ [ Google Scholar ] [ CrossRef ]
Jaglin, S. بازاندیشی ناهمگونی شهری. در کتابچه راهنمای Routledge در مورد شهرهای جنوب جهانی ; Routledge: Abingdon، UK، ۲۰۱۴; ص ۴۳۴-۴۴۶٫ [ Google Scholar ]
بریمن، RF; کازماس، ال. Njenga، MK; ویلیامسون، جی. موت، ج.ا. کاتز، MA; Erdman، DD; اشنایدر، ای. Oberste، MS; Neatherlin، JC عفونت حاد تنفسی شدید در کودکان در یک محله پرجمعیت شهری در کنیا، ۲۰۰۷-۲۰۱۱٫ BMC Infect دیس ۲۰۱۵ ، ۱۵ ، ۹۵٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
هوانگ، سی. خو، X. کای، ی. Ge، Q. زنگ، جی. لی، ایکس. ژانگ، دبلیو. جی، سی. یانگ، ال. استخراج ویژگی های بیماران COVID-19 در چین: تجزیه و تحلیل پست های رسانه های اجتماعی. جی. مد. Internet Res. ۲۰۲۰ ، ۲۲ ، e19087. [ Google Scholar ] [ CrossRef ]
پنروز، ک. د کاسترو، ام سی; Werema، J. رایان، ET سکونتگاه‌های غیررسمی شهری و خطر ابتلا به وبا در دارالسلام، تانزانیا. PLoS Negl. تروپ دیس ۲۰۱۰ ، ۴ . [ Google Scholar ] [ CrossRef ]
لی، کیو. گوان، ایکس. وو، پی. وانگ، ایکس. ژو، ال. تانگ، ی. رن، آر. لئونگ، KSM؛ لاو، EHY; وانگ، جی. و همکاران دینامیک انتقال اولیه در ووهان، چین، پنومونی آلوده به کروناویروس جدید. N. Engl. جی. مد. ۲۰۲۰ ، ۳۸۲ ، ۱۱۹۹-۱۲۰۷٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
پرلمن، اس. یک دهه دیگر، یک کروناویروس دیگر. Mass. Med. Soc. ۲۰۲۰ . [ Google Scholar ] [ CrossRef ] [ PubMed ]
بانسال، اس. چاول، جی. سیمونسن، ال. وسپیگنانی، ا. Viboud، C. داده های بزرگ برای نظارت و مدل سازی بیماری های عفونی. ج. عفونی کردن. دیس ۲۰۱۶ ، ۲۱۴ ، S375–S379. [ Google Scholar ] [ CrossRef ] [ PubMed ]
لی، EC; آشر، جی.ام. گلدلاست، اس. کریمر، جی دی. لاوسون، AB; بانسال، اس. مقیاس‌ها: استفاده از داده‌های بزرگ فضایی برای نظارت و استنتاج بیماری‌های عفونی. ج. عفونی کردن. دیس ۲۰۱۶ ، ۲۱۴ ، S409–S413. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
لی، ال. ژانگ، Q. وانگ، ایکس. ژانگ، جی. وانگ، تی. گائو، T.-L. دوان، دبلیو. تسوی، KK-f. وانگ، F.-Y. توصیف انتشار اطلاعات موقعیتی در رسانه های اجتماعی در طول اپیدمی COVID-19: مطالعه موردی در Weibo. IEEE Trans. محاسبه کنید. Soc. سیستم ۲۰۲۰ ، ۷ ، ۵۵۶-۵۶۲٫ [ Google Scholar ] [ CrossRef ]
ژائو، ی. Xu، H. توجه عمومی چین به همه گیری COVID-19: بر اساس رسانه های اجتماعی. medRxiv ۲۰۲۰ . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
لی، جی. خو، Q. کومو، آر. پوروشوتامان، وی. مکی، تی. داده کاوی و تجزیه و تحلیل محتوای پلتفرم رسانه اجتماعی چینی Weibo در طول شیوع کووید-۱۹ اولیه: مطالعه گذشته نگر مشاهده اطلاعات اطلاعاتی. بررسی سلامت عمومی Jmir ۲۰۲۰ ، ۶ ، e18700. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
پرابهاکار کایلا، دی. Prasad، DA جریان اطلاعاتی در توییتر – شیوع ویروس کرونا – رویکرد مدل‌سازی موضوع. بین المللی J. Adv. Res. مهندس تکنولوژی ۲۰۲۰ ، ۱۱ ، ۱۲۸-۱۳۴٫ [ Google Scholar ]
جهانبین، ک. رحمانیان، وی. استفاده از توییتر و استخراج اخبار وب برای پیش بینی شیوع کووید-۱۹٫ پیمان آسیایی جی تروپ. پزشکی ۲۰۲۰ ، ۱۳ . [ Google Scholar ] [ CrossRef ]
شیلد، ال. لینگ، سی. بلکبرن، جی. استرینگینی، جی. ژانگ، ی. زانتو، اس. “برو یک خفاش بخور، چانگ!”: نگاهی اولیه به ظهور رفتار سینوفوبیک در جوامع وب در مواجهه با COVID-19. arXiv ۲۰۲۰ ، arXiv:2004.04046. [ Google Scholar ]
لی، اس. وانگ، ی. ژو، جی. ژائو، ن. ژو، تی. تأثیر اعلامیه اپیدمی COVID-19 بر پیامدهای روانی: مطالعه روی کاربران فعال Weibo. بین المللی J. Env. Res. بهداشت عمومی ۲۰۲۰ ، ۱۷ ، ۲۰۳۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ] [ نسخه سبز ]
کارول، LN; Au، AP; Detwiler، LT; فو، T.-c. نقاش، IS; ابزارهای تجسم و تجزیه و تحلیل Abernethy، NF برای اپیدمیولوژی بیماری های عفونی: یک بررسی سیستماتیک. جی. بیومد. آگاه کردن. ۲۰۱۴ ، ۵۱ ، ۲۸۷-۲۹۸٫ [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
کراملی، EK; مک لافرتی، SL GIS و بهداشت عمومی ؛ Guilford Press: نیویورک، نیویورک، ایالات متحده آمریکا، ۲۰۱۱٫ [ Google Scholar ]
Weibo رشد قوی کاربران Q2 را گزارش می دهد. در دسترس آنلاین: http://www.xinhuanet.com/english/2019-08/20/c_138323288.htm (در ۱ ژوئن ۲۰۲۰ قابل دسترسی است).
کانال جستجوی راهنما برای پنومونی جدید کروناویروس Weibo. در دسترس آنلاین: https://s.weibo.com/weibo?q=%23%E7%BA%BF%E4%B8%8A%E8%82%BA%E7%82%8E%E6%82%A3% E8%80%85%E6%B1%82%E5%8A%A9%E4%B8%93%E5%8C%BA%23 (در ۱۳ فوریه ۲۰۲۰ قابل دسترسی است).
اسپنسر، جی. آنجلس، جی. تخمین تراکم هسته به عنوان تکنیکی برای ارزیابی در دسترس بودن خدمات بهداشتی در نیکاراگوئه. سرویس سلامت نتایج Res. روش. ۲۰۰۷ ، ۷ ، ۱۴۵-۱۵۷٫ [ Google Scholar ] [ CrossRef ]
گربر، ام اس پیش بینی جرم با استفاده از توییتر و تخمین تراکم هسته. تصمیم می گیرد. سیستم پشتیبانی ۲۰۱۴ ، ۶۱ ، ۱۱۵-۱۲۵٫ [ Google Scholar ] [ CrossRef ]
پاسخ، EWGfNE ویژگی‌های اپیدمیولوژیک شیوع بیماری‌های جدید کروناویروس ۲۰۱۹ (COVID-19) در چین. چانه. J. Epidemiol. ۲۰۲۰ ، ۴۱ ، ۱۴۵-۱۵۱٫ [ Google Scholar ]
میلر، اچ جی; شاو، اس.-ال. سیستم های اطلاعات جغرافیایی برای حمل و نقل: اصول و کاربردها ; انتشارات دانشگاه آکسفورد: لندن، انگلستان، ۲۰۰۱٫ [ Google Scholar ]
هوانگ، سی. وانگ، ی. لی، ایکس. رن، ال. ژائو، جی. هو، ی. ژانگ، ال. فن، جی. خو، جی. Gu, X. ویژگی های بالینی بیماران مبتلا به کروناویروس جدید ۲۰۱۹ در ووهان چین. Lancet ۲۰۲۰ ، ۳۹۵ ، ۴۹۷-۵۰۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
وسولوفسکی، آ. باکی، CO؛ Engø-Monsen، K. Metcalf، CJE اتصال تحرک به بیماری های عفونی: وعده و محدودیت های داده تلفن همراه. ج. عفونی کردن. دیس ۲۰۱۶ ، ۲۱۴ ، S414–S420. [ Google Scholar ] [ CrossRef ]

شکل ۱٫ تغییرات هیستوگرام سری زمانی در مراحل اولیه اپیدمی.

شکل ۲٫ نقشه منطقه مورد مطالعه در ووهان، چین: ( الف ) موقعیت جغرافیایی ووهان، چین. ( ب ) منطقه شهری اصلی ووهان (MUA)؛ و ( ج ) مناطق اداری ووهان.

شکل ۳٫ توزیع Weibo COVID-19 کمک جستجوی سوابق.

شکل ۴٫ نمونه ای از اطلاعات کمک جویی Weibo.

شکل ۵٫ توزیع فضایی داده های کمک جویی ووهان ویبو.

شکل ۶٫ توزیع فضایی ایستگاه های پایه در منطقه شهری اصلی ووهان.

شکل ۷٫ هیستوگرام توزیع سن بیمار داده های مورد و داده های Weibo.

شکل ۸٫ تعداد آلوده کننده های گزارش شده در هر یک از رکوردهای Weibo.

شکل ۹٫ توزیع فضایی کمک جویندگان Weibo در منطقه اصلی شهری ووهان.

شکل ۱۰٫ نمودار زمان آلودگی کووید-۱۹ سوابق Weibo و مجموع آلوده کننده گزارش شده

شکل ۱۱٫ تجزیه و تحلیل تراکم هسته: ( الف ) موارد COVID-19 توسط داده‌های Weibo. ( ب ) تراکم جمعیت. و ( ج ) تراکم جمعیت سالمندان تولید شده توسط داده های تلفن همراه.

شکل ۱۲٫ توزیع فضایی کمک جویان از ۲۰ دسامبر ۲۰۱۹ تا ۲۲ ژانویه ۲۰۲۰: ( الف ) قبل از ۱۸ ژانویه ۲۰۲۰٫ ( ب ) از ۱۹ تا ۲۰ ژانویه ۲۰۲۰؛ و ( ج ) از ۲۱ تا ۲۲ ژانویه ۲۰۲۰٫

شکل ۱۳٫ توزیع فضایی کمک جویان از ۲۳ تا ۲۸ ژانویه ۲۰۲۰: ( الف ) از ۲۳ تا ۲۴ ژانویه ۲۰۲۰٫ ( ب ) از ۲۵ تا ۲۶ ژانویه ۲۰۲۰؛ و ( ج ) از ۲۷ تا ۲۸ ژانویه ۲۰۲۰٫

شکل ۱۴٫ توزیع فضایی کمک جویان از ۲۹ ژانویه تا ۱۰ فوریه ۲۰۲۰: ( الف ) از ۲۹ تا ۳۰ ژانویه ۲۰۲۰٫ ( ب ) از ۳۱ ژانویه تا ۱ فوریه ۲۰۲۰؛ ( ج ) از ۲ تا ۳ فوریه ۲۰۲۰؛ ( د ) از ۴ تا ۵ فوریه ۲۰۲۰؛ ( ه ) از ۶ تا ۷ فوریه ۲۰۲۰؛ و ( f ) از ۸ تا ۱۰ فوریه ۲۰۲۰٫

ونوس نصیرفام

9 فوریه 2023

مقالات