رویکرد ژئومحاسباتی برای شبیه سازی و درک دینامیک فضایی گسترش COVID-19 در شهر مونترال، QC، کانادا

خلاصه

در طول تاریخ، بیماری های همه گیر، جوامع را مجبور کرده اند که فراتر از پروتکل های مدیریت و کنترل معمولی فکر کنند. اهداف اصلی این مطالعه شبیه سازی و درک پویایی فضایی گسترش COVID-19 و ارزیابی اثربخشی دو اقدام سیاسی در مونترال، کانادا، برای کاهش شیوع COVID-19 بود. ما شیوع COVID-19 را با استفاده از یک مدل مبتنی بر عامل مبتنی بر سیستم اطلاعات جغرافیایی (GIS) و دو سناریو مدیریتی به شرح زیر شبیه‌سازی کردیم: (۱) کاهش تحرک انسان. و (۲) مشاهده خود انزوا. شرح ABM از پروتکل ODD (نمای کلی، مفاهیم طراحی، جزئیات) پیروی می کند. آزمایش‌های شبیه‌سازی ما نشان داد که جریان اصلی انتقال COVID-19 (یعنی تقریباً ۹۰٫۳۴٪) در مکان‌های عمومی رخ داده است. بعلاوه، نتایج نشان داد که قوانین با هدف کاهش تحرک جمعیت منجر به کاهش حدود ۶۳ نفر در هر هفته به طور متوسط شده است. علاوه بر این، سناریوهای ما نشان داد که اگر به جای ۴۲٪ (یعنی مقدار تنظیم شده در کالیبراسیون)، ۱۰٪، ۲۰٪ و ۳۰٪ افراد عفونی از اقدام خود ایزوله سازی پیروی می کردند، تعداد افراد آلوده افزایش می یافت. هر هفته به ترتیب تقریباً ۲۵۹، ۲۰۷ و ۸۳ مورد بیشتر. نقشه مکان‌های بحرانی انتشار COVID-19 ناشی از مدل‌سازی ما است و اثربخشی ارزیابی شده دو اقدام کنترلی بر شیوع COVID-19 می‌تواند به سیاست‌گذاران سلامت کمک کند تا از طریق همه‌گیری عبور کنند. مقدار تعدیل شده در کالیبراسیون)، ۱۰%، ۲۰% و ۳۰% افراد عفونی از اقدام خود ایزوله‌سازی پیروی کرده بودند، تعداد افراد آلوده به طور میانگین هر هفته ۲۵۹، ۲۰۷ و ۸۳ نفر بیشتر می‌شد. ، به ترتیب. نقشه مکان‌های بحرانی انتشار COVID-19 ناشی از مدل‌سازی ما است و اثربخشی ارزیابی شده دو اقدام کنترلی بر شیوع COVID-19 می‌تواند به سیاست‌گذاران سلامت کمک کند تا از طریق همه‌گیری عبور کنند. مقدار تعدیل شده در کالیبراسیون)، ۱۰%، ۲۰% و ۳۰% افراد عفونی از اقدام خود ایزوله‌سازی پیروی کرده بودند، تعداد افراد آلوده به طور میانگین هر هفته ۲۵۹، ۲۰۷ و ۸۳ نفر بیشتر می‌شد. ، به ترتیب. نقشه مکان‌های بحرانی انتشار COVID-19 ناشی از مدل‌سازی ما است و اثربخشی ارزیابی شده دو اقدام کنترلی بر شیوع COVID-19 می‌تواند به سیاست‌گذاران سلامت کمک کند تا از طریق همه‌گیری عبور کنند.

کلید واژه ها:

COVID-19 ؛ سیستم اطلاعات جغرافیایی (GIS) ; سیستم پیچیده (CS) ؛ رویکرد مدل‌سازی مبتنی بر عامل (ABM) ؛ پویایی اپیدمی ؛ شیوع اپیدمی ؛ کانادا

۱٫ معرفی

ظهور و شیوع اولیه کروناویروس جدید (یعنی COVID-19) از ووهان چین در سال ۲۰۱۹ به یک نگرانی بهداشت جهانی تبدیل شده است [ ۱ ]. در میان بیماری های همه گیر که انسان ها در قرن بیست و یکم با آن ها مواجه شده اند (مانند H1N1، فلج اطفال، زیکا، ابولا، و غیره)، هیچ یک به اندازه COVID-19 بار بهداشت عمومی جهانی نداشته است [ ۲ ].

مبارزه با همه‌گیری COVID-19 و ارائه اطلاعات روشن‌تر برای سیاست‌گذاران سلامت می‌تواند با نظارت بر گسترش پویا بیماری، غلظت موارد بیماری، و شناسایی نقاط بالقوه عفونت [ ۳ ، ۴ ، ۵ ] کمک کند. مطالعات متعددی به سیستم اطلاعات جغرافیایی (GIS) به عنوان یک ابزار ضروری برای تجزیه و تحلیل توزیع فضایی بیماری‌های عفونی، شناسایی مسیر همه‌گیری، و تعیین نقاط داغ شیوع بیماری اشاره کرده‌اند [ ۳ ، ۴ ، ۶ ]. با این حال، تنها تکیه بر داده های مکانی و تجزیه و تحلیل GIS برای توضیح پویایی و پیچیدگی گسترش بیماری کافی نیست.

تأثیرات فزاینده اپیدمی COVID-19، تحقیقات فوری COVID-19 را ضروری کرده است، در حالی که در همان زمان، اجتناب ناپذیر بودن چارچوب بندی سیستم های انسانی به عنوان سیستم های پیچیده، توجه و توجه محققان را به خود جلب کرده است [ ۷ ، ۸ ]. بسیاری از سیستم‌های طبیعی و مصنوعی رفتارهای به ظاهر پیچیده‌ای از خود نشان می‌دهند که دلیل آن برهم‌کنش‌های فضایی-زمانی غیرخطی متراکم در میان بسیاری از سیستم‌های اجزای مستقل در سطوح مختلف یک سازمان است. سیستم های پیچیده اصطلاحی است که برای توصیف این سیستم ها ابداع شده است و در قلب بسیاری از مسائل امروزی قرار دارد [ ۹ ]. یکی از قابل توجه ترین ویژگی های سیستم های پیچیده در نظر گرفتن تعاملات محلی بین مؤلفه های خود سازمان دهی است که منجر به ظهور الگوهای جهانی جدید می شود.۱۰ ]. این ویژگی سیستم های پیچیده در مدل های اپیدمیولوژیک سنتی، به ویژه مدل های ریاضی نادیده گرفته می شود [ ۱۱ ، ۱۲ ]. اتوماتای سلولی (CA) و مدل‌سازی مبتنی بر عامل (ABM) دو رویکرد اصلی مدل‌سازی سیستم‌های پیچیده هستند. رویکرد مدل‌سازی CA شامل شبکه‌ای از سلول‌ها است که هر کدام در یکی از تعداد محدودی از وضعیت‌ها قرار دارند، به طوری که وضعیت‌ها بر اساس مجموعه‌ای از قوانینی که بین سلول‌های مجاور منتقل می‌شوند، تغییر می‌کنند [ ۱۳ ، ۱۴ ]. ABM، به عنوان یکی دیگر از رویکردهای مدل‌سازی سیستم‌های پیچیده قوی، از افراد متقابل مستقل (یعنی عوامل) با ویژگی‌ها و رفتارها تشکیل شده است [ ۱۵ ، ۱۶ ]]. این رویکرد مدل‌سازی رفتارهای مختلفی را برای عوامل در نظر می‌گیرد و سعی می‌کند با در نظر گرفتن تعاملات بین عامل‌ها و همچنین عوامل و محیط، پدیده‌های پویا و پیچیده را مدل‌سازی کند [ ۱۵ ، ۱۶ ].

در شبیه سازی گسترش بیماری اپیدمیولوژیک، هر دو روش مدل سازی ABM و CA به طور گسترده پیشنهاد و به کار گرفته شده اند [ ۱۷ ، ۱۸ ، ۱۹ ، ۲۰ ]. توانایی ABM در در نظر گرفتن (۱) افراد ناهمگن و محیط. (۲) حرکات پویا افراد. (۳) تعامل بین افراد و همچنین افراد و محیط. (۴) ویژگی های افراد، محیط، و همچنین ویژگی های بیولوژیکی و اپیدمیولوژیک بیماری؛ و (۵) طیف وسیعی از سناریوهای ممکن “چه می شود اگر” رویکرد ABM را در شبیه سازی شیوع بیماری های اپیدمیولوژیک بسیار انعطاف پذیر، مفید و واقع بینانه می کند [ ۲۰ ، ۲۱ ]].

از زمان ظهور COVID-19، شبیه سازی شیوع COVID-19، و مهارت قابل توجه اقدامات کنترل COVID-19 با استفاده از رویکرد ABM در مطالعات قبلی برجسته شده است [ ۷ ، ۲۲ ، ۲۳ ، ۲۴ ، ۲۵ ، ۲۶ ، ۲۷ ، ۲۸ ، ۲۹ ]. تنها مطالعه ای که از رویکرد ABM برای شبیه سازی شیوع COVID-19 در مونترال استفاده کرد، مطالعه Manout و Ciari (2021) [ ۳۰ ] بود.]. در مطالعه آنها، رابطه بین فعالیت های روزمره، توزیع مکانی و زمانی آنها، ویژگی های افراد و شیوع عفونت مورد ارزیابی قرار گرفت. یافته‌های مطالعه آنها سهم قابل توجهی را که فعالیت‌های مرتبط با خانه، محل کار و مدارس در گسترش بیماری دارند، برجسته کرد.

اهداف اصلی این مطالعه توسعه یک مدل مبتنی بر عامل به‌صورت فضایی صریح برای شبیه‌سازی پویایی گسترش COVID-19 و ارزیابی اثربخشی دو مداخله کنترلی در مهار شیوع COVID-19 در شهر مونترال، QC، کانادا بود. علاوه بر این اهداف، انگیزه‌های این مطالعه برای پرداختن به نگرانی‌های تحقیقاتی زیر مورد بررسی قرار گرفت: (۱) رویکرد مدل‌سازی اپیدمیولوژیک چگونه می‌تواند پویایی گسترش بیماری را در رابطه با داده‌های مکانی در نظر بگیرد؟ (۲) چگونه عفونت در یک جمعیت پخش می شود؟ (۳) کدام گروه های سنی بیشتر در معرض انتقال عفونت هستند؟ (۴) کدام مناطق مونترال نقاط اصلی انتقال COVID-19 هستند؟ ویژگی برجسته مطالعه ارائه شده که آن را از مطالعات قبلی متمایز می‌کند، توانایی آن برای رسیدگی به این نگرانی‌ها با توسعه یک مدل مبتنی بر عامل فضایی صریح بود.

۲٫ مواد و روشها

۲٫۱٫ مروری بر منطقه مورد مطالعه

از زمان شروع شیوع کووید-۱۹ در کانادا (یعنی ۲۵ ژانویه ۲۰۲۰)، مداخلات کنترلی مختلفی (به عنوان مثال، بسته شدن اماکن آموزشی، محدودیت در رفت و آمد افراد، رعایت فاصله فیزیکی، ایزوله سازی خود از نظر علائم و غیره) به کار گرفته شد. از گسترش ویروس جلوگیری کند. با این وجود، اپیدمی در ۲۱ ژانویه ۲۰۲۱ به کشور ادامه داد. در بین استان های کانادا، کبک بیشترین تعداد موارد تایید شده را داشت و مونترال با ۳۹٫۱٪ از کل موارد تایید شده، شهری با بیشترین تعداد موارد تایید شده در این کشور بود. استان کبک؛ در نتیجه، این مطالعه در شهر مونترال انجام شد.

۲٫۲٫ داده ها و پیش پردازش داده های ورودی

پس از بررسی مطالعات برای شناسایی داده های مورد نیاز در شبیه سازی شیوع COVID-19، داده های ضروری جمع آوری و پردازش شدند. این داده ها شامل کاربری زمین، اطلاعات جمعیت شناختی مونترال (به عنوان مثال، جمعیت ( جدول A1 )، تعداد کل خانوارها، و اندازه خانوار ( جدول A2 ))، آمار نیروی کار ( جدول A3) بود.اطلاعات مربوط به مداخلات کنترلی به کار گرفته شده در مونترال از زمان همه‌گیری COVID-19، و در نهایت موارد تایید شده روزانه COVID-19 در مونترال در طول دوره شبیه‌سازی. فرآیند آماده سازی داده ها پس از جمع آوری تمام داده های مورد نیاز انجام شد. با انجام این کار، داده‌های کاربری زمین به چهار گروه عمده طبقه‌بندی شدند: مکان‌های مسکونی، محل‌های کار، مکان‌های آموزشی، و بقیه مکان‌هایی که دارای برچسب «مکان‌های عمومی» بودند (مانند پارک‌ها، مکان‌های کشاورزی، مکان‌های مذهبی و غیره) ( شکل ۱ ). آ). علاوه بر این، نقشه تراکم جمعیت ( شکل ۱ B) در توزیع عوامل انسانی استفاده شد.

۲٫۳٫ مدل پیشنهادی مبتنی بر عامل

شبیه‌سازی شیوع COVID-19 در این مطالعه در چارچوب Mesa (یعنی یک چارچوب ABM در پایتون) [ ۳۱ ، ۳۲ ] اجرا شد. فلوچارت اجرای کد در چارچوب Mesa به وضوح در شکل A1 نشان داده شده است. برای توصیف مدل مبتنی بر عامل پیشنهادی به روشی قابل فهم تر و جامع تر، از پروتکل ODD (نمای کلی، مفاهیم طراحی، جزئیات) استفاده شد [ ۳۳ ، ۳۴ ]. بقیه این بخش شامل توضیح مفصلی از هر جزء پروتکل ODD برای این مطالعه است.

۲٫۳٫۱٫ نمای کلی مدل

این عنصر از پروتکل ODD در سه عنصر فرعی قرار دارد که شامل (i) شرح خلاصه اما بسیار مفصل از هدف یک مدل است (به بخش هدف مراجعه کنید). (۲) موجودیت‌های مدل، متغیرهای حالت آن‌ها (احتمالاً شامل ویژگی‌های رفتاری و پارامترهای مدل)، و مقیاس‌های مکانی و زمانی مدل (به بخش متغیرها و مقیاس‌های حالت مراجعه کنید). و (iii) شرح دقیق و دقیق برنامه زمانبندی مدل به ترتیب متوالی (به بخش بررسی اجمالی فرآیند و زمانبندی مراجعه کنید).

هدف

اهداف اصلی مدل پیشنهادی شبیه‌سازی شیوع COVID-19 و ارزیابی اثربخشی استراتژی‌های کنترل بود. علل اساسی شیوع COVID-19 حرکت انسان ها و تعامل آنها با یکدیگر است [ ۲۲ ]. بر این اساس، توسعه یک مدل پویا واقع گرایانه که تعاملات و حرکات افراد را در نظر می گیرد برای ارزیابی اپیدمی COVID-19 حیاتی است و ما آنها را در مدل خود گنجانده ایم.

متغیرهای حالت و مقیاس

اجزای سازنده مدل ما شامل عوامل انسانی و محیط جغرافیایی است که به طور انتزاعی منطقه مورد مطالعه را نشان می دهد. برای نمایش مولفه ها، از نمودار کلاس زبان مدلسازی یکپارچه (UML) استفاده شد ( شکل ۲ ). با توجه به نمودار کلاس UML، محیط مدل بر اساس چندین داده مکانی ساخته شد. ویژگی‌های مختلفی به سلول‌هایی اختصاص داده شد که ویژگی‌های آنها بر اساس داده‌های مکانی مقداردهی اولیه شد. علاوه بر این، چندین صفت و رفتار برای عوامل انسانی در نظر گرفته شد. تمام جزئیات توضیح داده شده به صورت شماتیک در شکل ۲ نشان داده شده است.

این چارچوب شامل منظره مونترال بود که عوامل انسانی بر روی آن تعامل و حرکت می کنند. چشم انداز مونترال به دلیل وضوح فضایی داده ها به یک شبکه ۳۲۰ × ۲۸۴ با اندازه سلول ۱۱۳٫۵ متر تقسیم شد. همچنین مرحله شبیه سازی روی یک ساعت تنظیم شد و مدل به مدت ۵ هفته اجرا شد.

بررسی اجمالی فرآیند و زمانبندی

یک طرح کلی از توالی فرآیندهایی که در طول شبیه سازی انجام می شوند در این عنصر از پروتکل ODD آورده شده است. در مرحله اول تمامی داده های مکانی بارگذاری شدند. در مرحله بعد، برای هر داده مکانی، یک ویژگی برای سلول ها تعریف شد و مقادیر آنها به ترتیب در رابطه با داده های مکانی مقداردهی اولیه شد. در گام سوم عوامل انسانی به تعداد جمعیت و با توجه به شرایط جمعیتی شهر ایجاد شد. عوامل انسانی به صورت تصادفی اما بر اساس نقشه تراکم جمعیت به صورت گروهی (یعنی خانوارها) در سلول های مسکونی محیط توزیع شدند. علاوه بر این، تعداد زیادی از ویژگی‌ها برای عوامل انسانی در ذهن ایجاد شد و ویژگی‌های آن‌ها بر اساس اطلاعاتی مانند ویژگی‌های بیولوژیکی و اپیدمیولوژیک بیماری COVID-19 اولیه‌سازی شدند. شرایط دموگرافیک مونترال و … این مراحل تنها یک بار و در ابتدای مدل انجام شد. فرآیندهای پویا و تکرار شونده مدل پس از تکمیل سه مرحله اصلی آغاز به کار کردند. فرآیندهای پویای اصلی مدل مبتنی بر عامل پیشنهادی شامل: (۱) مکان ساعتی عوامل انسانی. (۲) سطح تعامل عوامل انسانی بر اساس مکان فعلی آنها. (۳) پویایی مداخلات کنترلی به کار گرفته شده همراه با تأثیرات مختلف آنها بر حرکت عوامل انسانی و همچنین تعامل آنها در محیط. و (۴) روند اپیدمی و انتقال عوامل انسانی از وضعیت های مختلف سلامت. فرآیندهای پویا و تکرار شونده مدل پس از تکمیل سه مرحله اصلی آغاز به کار کردند. فرآیندهای پویای اصلی مدل مبتنی بر عامل پیشنهادی شامل: (۱) مکان ساعتی عوامل انسانی. (۲) سطح تعامل عوامل انسانی بر اساس مکان فعلی آنها. (۳) پویایی مداخلات کنترلی به کار گرفته شده همراه با تأثیرات مختلف آنها بر حرکت عوامل انسانی و همچنین تعامل آنها در محیط. و (۴) روند اپیدمی و انتقال عوامل انسانی از وضعیت های مختلف سلامت. فرآیندهای پویا و تکرار شونده مدل پس از تکمیل سه مرحله اصلی آغاز به کار کردند. فرآیندهای پویای اصلی مدل مبتنی بر عامل پیشنهادی شامل: (۱) مکان ساعتی عوامل انسانی. (۲) سطح تعامل عوامل انسانی بر اساس مکان فعلی آنها. (۳) پویایی مداخلات کنترلی به کار گرفته شده همراه با تأثیرات مختلف آنها بر حرکت عوامل انسانی و همچنین تعامل آنها در محیط. و (۴) روند اپیدمی و انتقال عوامل انسانی از وضعیت های مختلف سلامت. (۳) پویایی مداخلات کنترلی به کار گرفته شده همراه با تأثیرات مختلف آنها بر حرکت عوامل انسانی و همچنین تعامل آنها در محیط. و (۴) روند اپیدمی و انتقال عوامل انسانی از وضعیت های مختلف سلامت. (۳) پویایی مداخلات کنترلی به کار گرفته شده همراه با تأثیرات مختلف آنها بر حرکت عوامل انسانی و همچنین تعامل آنها در محیط. و (۴) روند اپیدمی و انتقال عوامل انسانی از وضعیت های مختلف سلامت.

۲٫۳٫۲٫ مفاهیم طراحی

در این عنصر از پروتکل ODD، روشی که اصول اساسی ساده در طراحی یک مدل واقعی تر و پیچیده تر مورد توجه قرار می گیرد، توضیح داده شده است. در این عنصر از پروتکل ODD، برخی از مفاهیم طراحی ضروری مدل مبتنی بر عامل پیشنهادی از جمله سنجش (به بخش سنجش)، تعاملات (به بخش تعاملات مراجعه کنید)، و تصادفی (به بخش تصادفی مراجعه کنید) توضیح داده شده است.

حس کردن

در این مدل، عوامل انسانی این حس را داشتند که سلول‌ها را برای حرکت در محیط شناسایی کنند. ماموران انسانی توانستند محل کار، مکان عمومی و سلول های مسکونی آنها را شناسایی کنند. آنها همچنین قادر به تشخیص عوامل انسانی دیگر در همان سلولی بودند که خودشان داشتند. علاوه بر این، عوامل انسانی بسته به اینکه آیا یک اقدام کنترلی به کار گرفته شده است، انجام برخی از وظایف را شروع کردند یا متوقف کردند.

فعل و انفعالات

بیماری COVID-19 به دلیل تعامل عوامل انسانی با یکدیگر گسترش می یابد. بر این اساس، مدل پیشنهادی شامل تعاملات بین عوامل انسانی و همچنین بین عوامل انسانی و محیط بود. عوامل انسانی با تعامل با محیط، سلول ها را برای حرکت در گام های زمانی انتخاب می کردند. علاوه بر این، افزایش تعداد انتقال عفونت در سلول ها زمانی اتفاق می افتاد که انتقال عفونت در سلول ها انجام می شد. علاوه بر این، عوامل انسانی با یکدیگر تعامل داشتند و سطح تعامل آنها بر اساس مکان فعلی آنها متفاوت بود.

تصادفی بودن

چندین فرآیند تصادفی در مدل ما برای ارائه فرآیندهای طبیعی در نظر گرفته شد. به عنوان مثال، انتخاب سلول محل کار برای عوامل انسانی شامل تصادفی است. اگرچه انتخاب یک سلول مسکونی برای عوامل انسانی با توجه به تراکم جمعیت و روش انتخاب چرخ رولت انجام شد، اما احتمالی بود. تخصیص تصادفی عوامل انسانی به خانوارها، انتخاب مکان‌های عمومی توسط عوامل انسانی برای جابجایی، و مقداردهی اولیه برخی از ویژگی‌های عوامل انسانی، همگی دیگر فرآیندهای تصادفی در نظر گرفته شده در مدل ما بودند.

۲٫۳٫۳٫ جزئیات

در این عنصر، جزئیات بیشتر مدل و اجرای مدل به طور صریح و جامع تشریح شده است. با توجه به این عنصر از پروتکل ODD، جزئیات مدل و فرآیند پیاده‌سازی مدل در چندین بخش انجام می‌شود: مقداردهی اولیه (به بخش اولیه‌سازی مراجعه کنید)، داده‌های ورودی (به بخش داده‌های ورودی مراجعه کنید)، و مدل‌های فرعی (به بخش زیرمدل‌ها مراجعه کنید).

مقداردهی اولیه

در این قسمت مقادیر متغیرهای حالت در ابتدای مدل مقداردهی اولیه شد. علاوه بر این، تغییر یا عدم تغییر در مقادیر متغیرها مطابق با مراجع معتبر مشخص و ارائه شد. در ابتدا داده های مربوط به اطلاعات منظر منطقه مورد مطالعه بارگذاری و مقادیر اولیه ویژگی های سلول ها تعیین شد. علاوه بر این، تعداد مشخصی از عوامل در رابطه با داده‌های جمعیت ایجاد شد و ویژگی‌های آنها با توجه به منابع داده‌های رسمی معتبر و مطالعات قبلی مقداردهی اولیه شد. تمام پارامترها در جدول ۱ خلاصه شده است.

داده های ورودی

تمام داده های ورودی و فرآیندهای آماده سازی داده های ورودی به صراحت در بخش ۲٫۲ توضیح داده شده است. پس از انجام پیش پردازش داده های ورودی و تبدیل آنها به فرمت ASCII، آنها به چارچوب Mesa وارد شدند [ ۳۱ ، ۳۲ ]. جدول ۲ تمام داده های ورودی مدل را همراه با منابع آنها فهرست کرده است.

مدل های فرعی

برخی از جنبه های دقیق مدل پیشنهادی وجود دارد که در ادامه این بخش به صراحت توضیح داده شد.

محیط غیرمستقیم فضایی

با توجه به توزیع نابرابر جمعیت و گسترش نابرابر COVID-19 در یک منطقه، بدیهی است که جغرافیا و فضا تأثیر قابل توجهی بر اپیدمی COVID-19 دارند [ ۷ ، ۲۳ ، ۴۱ ، ۴۲ ]. علاوه بر این، COVID-19 یک پدیده پویا است که به شدت به تعاملات و تحرک افراد وابسته است [ ۴۳ ]. تعاملات و تحرک افراد هم از نظر جغرافیایی مرتبط است و هم از مکانی به مکان دیگر تغییر می کند [ ۲۲ ]. بر این اساس، محیط مدل با تمام داده‌های مکانی مرتبط با شیوع COVID-19 طراحی شد.

عوامل

در این تحقیق هر عامل انسانی به عنوان نماینده ۱۰۰ نفر در دنیای واقعی در نظر گرفته شد. هر عامل انسانی به یک خانوار خاص اختصاص داده شد و خانوارها با توجه به اندازه خانوار تشکیل شدند. عوامل انسانی به جای اینکه به صورت انفرادی توزیع شوند، در بافت خانواده توزیع شدند. توزیع خانوارها بر اساس نقشه تراکم جمعیت و روش چرخ رولت انجام شد. علاوه بر این، عوامل انسانی از نظر شغل به سه گروه اصلی شامل دانشجو، شاغل و بیکار در پاسخ به آمار نیروی کار مونترال ( جدول A3 ) طبقه بندی شدند.

پس از ایجاد و توزیع عوامل انسانی در محیط، حرکت عوامل انسانی و تعامل آنها با یکدیگر اجرا شد. مکان عوامل انسانی به صورت ساعتی متفاوت در نظر گرفته شد. در این مطالعه، یک فعالیت ساعتی به عوامل انسانی اختصاص داده شد به طوری که آنها در نظر گرفته شده بودند تا با توجه به این وظایف ساعتی در سراسر محیط حرکت کنند ( شکل ۳ ). شایان ذکر است که فعالیت ساعتی عوامل انسانی با در نظر گرفتن هر دو ویژگی کاربری اراضی محیط و ویژگی های عوامل انسانی (مانند سن و شغل) شبیه سازی شده است.

بسته به اینکه عوامل انسانی در کجا بودند، تعامل آنها در دو سطح متفاوت بود: (۱) زمانی که آنها در مکان های مسکونی بودند. و (۲) زمانی که آنها در محل کار یا مکان های عمومی بودند. عوامل انسانی بالاترین سطح تعامل را در مکان های مسکونی خود دارند به طوری که بر اساس سطح تعامل آنها، انتقال بیماری متغیر در نظر گرفته شد.

زیرمدل اپیدمیولوژیک

با توجه به وضعیت افراد در حال پیشرفت در بیماری کووید-۱۹، عوامل انسانی در هر لحظه از مدل تنها در یکی از وضعیت‌های مستعد، در معرض، عفونی، بهبود یافته، بستری در بیمارستان یا مرده قرار داشتند و بر اساس رویدادهایی که در طول شبیه‌سازی رخ می‌دادند. ، وضعیت آنها به طور مداوم در طول زمان تغییر می کرد. وضعیت واکسینه شده برای عوامل انسانی در مدل در نظر گرفته نشده است، زیرا روش واکسیناسیون در مونترال در ۱ مارس ۲۰۲۱ آغاز شد .Τایکسایکسایکس، و احتمال قرار گرفتن در یک وضعیت خاص بر اساس سن آنها ( Φایکسایکسایکسآgه).

فرض بر این بود که عفونت از افرادی که عفونی بودند (یعنی منبع) به افرادی که مستعد ابتلا به عفونت هستند (یعنی گیرنده) در صورت تعامل با یکدیگر منتقل می شود. میزان انتقال عفونت وابسته به سه عامل در نظر گرفته شد: (۱) حساسیت گیرنده بسته به سن. (۲) شدت عفونی بودن منبع؛ و (۳) سطح تعامل بین عامل منبع و گیرنده.

برای محاسبه احتمال انتقال عفونت ( P )، ابتدا نرخ خطر در هر تعامل ( λ) طبق رابطه (۱) محاسبه شد. پس از محاسبه میزان خطر، احتمال انتقال عفونت با توجه به رابطه (۲) [ ۳۶ ] محاسبه شد.

λتی، v، آ، n=آر۰اسآnآدمن¯🔻تیvfΓتو; μمن،σمن۲دتو

(۱)

پ=۱-ه-λ

(۲)

در اینجا t و v به ترتیب شروع و زمان فعلی آلودگی هستند. a سن گیرنده است. n نوع تعامل است. آر۰میانگین تعداد افراد آلوده شده توسط هر فرد عفونی است. اسآحساسیت نسبی گیرنده است. آدمسری بودن نسبی منبع است. من میانگین تعداد تعاملات روزانه است. fΓتابع چگالی احتمال توزیع گاما است. و در نهایت، μمنو σمنبه ترتیب میانگین و انحراف معیار منحنی عفونی بودن هستند. پارامترها به همراه مقادیر آنها در جدول A4 خلاصه شده است.

با توجه به نزدیک بودن تعاملات در خانواده در مقایسه با دو نوع دیگر، پارامتر n برای مواردی که در داخل خانواده اتفاق می‌افتد مقدار دو داده شد، در حالی که مقدار آن برای دو نوع دیگر مقدار یک داده شد [ ۳۶ ]. به دلیل ساختار سنی قوی پیشرفت COVID-19، حساسیت گیرنده وابسته به سن در نظر گرفته شد. علاوه بر این، عفونی بودن افراد آلوده بدون علامت و علائم خفیف به ترتیب ۰٫۳۳ و ۰٫۷۲ برابر افراد دارای علائم شدید بود [ ۳۶ ]. علاوه بر این، به دنبال موسونگ و همکاران، ۲۰۰۸ [ ۴۴]، مقدار تعداد تعاملات روزانه با استفاده از توزیع نرمال به دست آمد و با توجه به سن آنها به عوامل انسانی اختصاص یافت ( جدول A5 ).

مداخلات کنترلی

با توجه به اینکه مداخله تعطیلی مراکز آموزشی در مونترال از زمان شیوع COVID-19 به کار گرفته شده بود، این مداخله در ابتدا در مدل ما در نظر گرفته شد. علاوه بر این، دو مداخله کنترلی حیاتی و در عین حال کمتر مورد توجه قرار گرفت و اثربخشی آنها مورد بررسی قرار گرفت. عملکرد مداخلات کنترلی به صراحت در این بخش توضیح داده شد.

کاهش تحرکات انسانی: شیوع کووید-۱۹ در غیاب حرکت مردم متوقف می شود. بنابراین، یکی از عواملی که نقش مهمی در شیوع COVID-19 دارد، تحرک مردم است. برای در نظر گرفتن این مداخله در مدل، کسری از جابه‌جایی عوامل انسانی به مکان‌های خاص با توجه به کاربری مکان‌ها و همچنین اشغال عوامل انسانی کاهش یافت.

خود ایزوله سازی بر اساس علائم: خود ایزوله سازی به جداسازی افراد عفونی از بقیه افراد برای محافظت از افراد غیر آلوده (یعنی افراد عفونی قرنطینه می شوند) اطلاق می شود. به دنبال این مداخله، افراد عفونی از حرکت و همچنین تعامل با دیگران باز می مانند. بر این اساس، این مداخله ممکن است منجر به کاهش شدید تعداد افراد مبتلا شود. برای اعمال مداخله خود انزوا در مدل، حرکات و تعاملات عوامل انسانی عفونی در مدل کاملاً محدود شد.

۲٫۳٫۴٫ فرآیند تأیید

اولین قدم قبل از تفسیر نتایج مدل، اطمینان از سازگاری آن با مفاهیم طراحی آن (یعنی فرآیند تأیید) است [ ۴۵ ]. برای انجام این کار، دو سناریو دلخواه طراحی شد و تأیید مدل در هر سناریو با ثابت نگه داشتن تمام پارامترها و تغییر تنها یک پارامتر ارزیابی شد. تعداد عوامل انسانی عفونی در ابتدای شبیه‌سازی و کاهش حرکت عوامل انسانی به مکان‌های عمومی به ترتیب در سناریوی اول و دوم تغییر کرد، در حالی که سایر پارامترها بدون تغییر باقی ماندند.

۲٫۳٫۵٫ کالیبراسیون و اعتبارسنجی

کالیبراسیون و اعتبار سنجی چالش های مداوم در رویکرد ABM هستند. کالیبراسیون مستلزم اجرای مدل با پارامترهای مختلف و مقایسه خروجی با داده های تجربی برای یافتن تنظیمات پارامتر است که خطای مدل را به حداقل می رساند. دو روش اصلی کالیبراسیون کمی برای ABM ها وجود دارد: (۱) تخمین نقطه. و (۲) برآورد طبقه بندی یا توزیعی [ ۴۶ ]. در حالی که رویکرد تخمین نقطه‌ای به دنبال یک ترکیب پارامتر منفرد است که بهترین تناسب را با داده‌ها فراهم می‌کند، رویکرد تخمین طبقه‌ای یک احتمال را به احتمالات پارامترهای متعدد در طیفی از مقادیر معقول اختصاص می‌دهد [ ۴۷ ].]. علاوه بر این، رویکرد کالیبراسیون طبقه‌ای از مزایای ارائه اطلاعات تکمیلی در مورد عدم قطعیت پارامتر و همچنین عدم قطعیت نتایج مدل برخوردار است. در میان روش‌های مختلف کالیبراسیون طبقه‌بندی، ما از روش تطبیق تاریخ (HM) برای کالیبره کردن مدل خود به دلیل توانایی آن در در نظر گرفتن عدم قطعیت‌های مدل و مشاهدات استفاده کردیم [ ۴۸ ]. روش شناسی روش HM در شکل ۵ ارائه شده است.

پارامترهای ناشناخته در مدل ما عبارت بودند از: تعداد موارد در معرض و عفونی در ابتدای شبیه سازی (یعنی تاریخ ۵ ژانویه ۲۰۲۱ به عنوان شروع شبیه سازی در نظر گرفته شد) و همچنین درصد ناشناخته افرادی که خود را ایزوله کردند. (یعنی قرنطینه شوید) پس از انتقال به وضعیت عفونی. تعداد عوامل انسانی تازه آلوده به صورت هفتگی به عنوان خروجی مدل در نظر گرفته شد. از آنجایی که پارامترهای مجهول مدل یا درصد یا اعداد صحیح مثبت بودند، محدوده پتانسیل برای هر پارامتر (یعنی فضای پارامتر) بین ۰ و ۱ برای درصدها و بزرگتر از صفر برای پارامترهای باقی مانده تعیین شد. از آنجایی که فضاهای پارامترهای مجهول بزرگ و پیوسته بودند،۴۸ ].

عدم قطعیت ها در مدل ما با کاوش در فضای پارامتر یک مدل با انتخاب زیر مجموعه ای از نمونه ها از خوشه های مختلف برآورد شد. با اجرای یک بار مدل برای هر نمونه، واریانس خطاها در بین نمونه ها مطابق رابطه (۳) تعیین شد. علاوه بر این، عدم قطعیت مشاهدات روی صفر تنظیم شد، زیرا هیچ وسیله مستقیمی برای اندازه گیری چندین بار آنها و محاسبه واریانس وجود نداشت.

Vمترr=1ن-۱∑n=1ندzr،frایکسn-Erایکس۲

(۳)

در اینجا، N تعداد کل نمونه های استفاده شده است، d خطای بین rتیساعتخروجی مورد انتظار ( zr) و rتیساعتخروجی مدل fr ایکسnبرای پارامترها ایکسn، و Er ایکسمیانگین خطای مدل برای هر پارامتر تنظیم شده در x است.

برای تعیین واریانس مجموعه (یعنی عدم قطعیت در مدل‌ها به دلیل فرآیندهای تصادفی)، مدل K بار روی زیرمجموعه‌ای از N نمونه اجرا شد و واریانس بین K اجراها و همچنین واریانس متوسط بر روی N نمونه با استفاده از رابطه (۴) و معادله کمکی (۵).

Vسr=1ن∑n=1ن۱ک-۱∑ک=۱کدzr،frایکسn-Eکrایکسn2

(۴)

Eکrایکسn=1ک∑ک=۱کدzr،frایکسn

(۵)

اینجا، Vسrواریانس گروه است، K تعداد کل اجراها در یک مجموعه است، fr ایکسnهست rتیساعتخروجی از کتیساعتاجرای مدل با پارامترها ایکسn، و Er ایکسnمیانگین خطای مدل در بین مجموعه ها است.

برای محاسبه غیرقابل قبول بودن مجموعه ای از ورودی ها و بررسی واجد شرایط بودن آنها، خروجی مدل با خروجی مورد انتظار با فرض عدم قطعیت مشاهدات برابر با معادله صفر مقایسه شد.

منrایکس=zr-frایکسn2Vسr+Vمترr

(۶)

با توجه به مقدار غیر قابل قبول (یعنی منrایکسما یک آستانه ثابت را در نظر گرفتیم که c نشان داده شده است تا ارزیابی کنیم که آیا x غیر قابل قبول است. اگر منrایکس ≥ ج، تفاوت بین خروجی پیش بینی شده و مورد انتظار بسیار زیاد در نظر گرفته شد. در غیر این صورت، x در فضای غیر قابل قبول گنجانده شد. پوکلشیم ۳σقانون برای تعیین آستانه c [ ۴۹ ] استفاده شد. این بدان معنی است که با شانس حداقل ۰٫۹۵، انتخاب مناسب پارامترهای x منجر به نتیجه می شود منrایکس<3. روش HM تا رسیدن به شرایط توقف ادامه داشت. در شرایط ما، معیارهای توقف زمانی برآورده شد که یا همه پارامترها غیرقابل قبول بودند، یا فضای غیرقابل قبول کاهش نیافته بود.

برای ارزیابی نزدیکی دو مجموعه از مقادیر مشاهده شده پیش بینی شده و واقعی (یعنی فرآیند اعتبار سنجی)، از آزمون کای دو استفاده شد. تصمیم گیری برای رد یا پذیرش فرضیه صفر (یعنی مقادیر پیش بینی شده به اندازه کافی به مقادیر واقعی مشاهده شده نزدیک است) با توجه به آماره کای دو انجام می شود (معادله (۷)).

χ۲=∑q=1مترپک-Oک۲Oک

(۷)

اینجا، پکو Oکمیانگین عوامل انسانی تازه آلوده به ترتیب هفتگی در ۳۰ اجرا و موارد تایید شده هفتگی مرتبط است. پسوند q در هفته ها اجرا می شود و m تعداد هفته ها است (یعنی m = ۵). برای تعیین معنی‌داری آماری، مقادیر را در سطح معنی‌داری ۵ درصد مقایسه کردیم.

۳٫ نتایج

۳٫۱٫ تایید مدل

در سناریوی اول، ما ۱۰، ۲۰، و ۴۰ عامل انسانی عفونی را ارزیابی کردیم و میانگین تعداد عوامل انسانی تازه آلوده را که پس از ۳۰ اجرا به دست آمد، مقایسه کردیم. پس از ۳۰ اجرا، میانگین تعداد عوامل انسانی تازه آلوده شده با افزایش تعداد عوامل انسانی عفونی در ابتدای شبیه سازی و در عین حال ثابت نگه داشتن پارامترهای باقیمانده به صورت زیر افزایش یافت: ۱۲۶٫۶۳، ۱۸۱٫۴۷، و ۳۴۴٫۱۳ برای ۱۰، ۲۰، و به ترتیب ۴۰ عامل انسانی عفونی. شایان ذکر است تعداد عوامل انسانی در معرض، مقدار پارامتر خود ایزوله و درصد کاهش تردد انسان به اماکن عمومی و محل کار به ترتیب ۱۰، ۱۰، ۳۳ و ۱۸ درصد بوده است.

در سناریوی دوم، سه کاهش مختلف در جابجایی انسان به مکان‌های عمومی را در نظر گرفتیم: ۱۰٪، ۳۰٪ و ۵۰٪. برای هر یک از این سه تنظیمات، مدل ۳۰ بار اجرا شد و میانگین تعداد عوامل انسانی تازه آلوده مقایسه شد. کاهش حرکت انسان، همانطور که انتظار می رود، منجر به کاهش تعداد عوامل انسانی آلوده در مدل می شود. میانگین تعداد عوامل انسانی تازه آلوده به ترتیب ۱۸۰٫۷۳، ۱۰۶٫۲۷ و ۷۶٫۸۳ برای ۱۰%، ۳۰% و ۵۰% بود. شایان ذکر است که تعداد عوامل انسانی در معرض، تعداد عوامل انسانی عفونی، مقدار پارامتر خود انزوا و درصد کاهش جابجایی انسان به محل کار ۱۰، ۱۰، ۱۰ و ۱۸ درصد بوده است. ، به ترتیب. با توجه به دو سناریو،

۳٫۲٫ کالیبراسیون و اعتبارسنجی مدل

تنظیم مقادیر برای پارامترهای ناشناخته در شرایط اولیه مدل با استفاده از روش HM انجام شد. مدل پیشنهادی زمانی کالیبره شد که مقدار ۱، ۳ و ۴۲ درصد به ترتیب به تعداد عوامل انسانی در معرض، تعداد عوامل انسانی عفونی و درصد افرادی که پس از انتقال به وضعیت عفونی خود را ایزوله می‌کنند، اختصاص داده شد.

صرف نظر از صفر فرض عدم قطعیت مشاهدات به دلیل عدم وجود ابزار مستقیم برای اندازه گیری چندین بار آنها، آمار بیماری حاوی منابع مختلفی از خطا است [ ۵۰ ]. بر این اساس، برای کاهش تاثیر عدم قطعیت مشاهدات بر مدل، خروجی های مدل بر اساس موارد هفتگی مورد ارزیابی قرار گرفت.

با تنظیم مقادیر یافت شده برای پارامترهای ناشناخته در روش کالیبراسیون، مدل پیشنهادی با استفاده از آزمون Chi-square اعتبار سنجی شد. χ۲مقدار ۹٫۲۸۷۹ را به دست آورد که در مقایسه با مقدار بحرانی (یعنی Χ۰٫۰۵۲۴= ۹٫۴۸۸) کمتر بود و پذیرش فرضیه صفر را نشان داد. به عبارت دیگر، آزمون Chi-square نشان داد که نتایج مدل ما به اندازه کافی به مقادیر واقعی مشاهده شده نزدیک است.

۳٫۳٫ خروجی های مدل

علاوه بر ردیابی میانگین هفتگی عوامل انسانی تازه آلوده، برای ردیابی شیوع بیماری در طول زمان و همچنین دستیابی به اطلاعات اضافی در مورد شیوع بیماری، تعداد حرکت عوامل انسانی در هر وضعیت بیش از شبیه سازی در شکل ۶ نشان داده شده است. علاوه بر این، عوامل انسانی آلوده با توجه به سن آنها ردیابی شدند ( شکل ۷ ). و در نهایت، مکان هایی که در آن انتقال COVID-19 رخ داده است در شکل ۸ مشخص و روشن شده است.. شایان ذکر است با بدست آوردن خروجی های مدل مبتنی بر عامل (یعنی فرکانس و مکان های انتقال عفونت هفتگی) در ۳۰ اجرا وارد نرم افزار ArcGIS شده و برای محاسبه میانگین از ابزار Raster Calculator استفاده شده است. سی خروجی مدل مبتنی بر عامل (یعنی میانگین فرکانس انتقال هفتگی عفونت). به دنبال این خروجی ها، الگوهای مکانی و زمانی شیوع COVID-19 قابل ردیابی است.

در رابطه با شکل ۷ ، اکثر عوامل انسانی آلوده بالای ۲۰ سال سن داشتند. علاوه بر این، با توجه به مقایسه نتایج مدل ( شکل ۸ ) و نقشه کاربری زمین ( شکل ۱ الف)، استنباط شد که اکثریت کووید- ۱۹ انتقال (یعنی تقریباً ۹۰٫۳۴٪) در مکان های عمومی رخ داده است. علاوه بر این، حدود ۶٫۷۶ درصد و ۲٫۹ درصد از موارد انتقال کووید-۱۹ به ترتیب در اماکن مسکونی و محل کار رخ داده است.

۳٫۴٫ بررسی تعداد عوامل انسانی آلوده در صورت استفاده از مداخلات کنترل COVID-19

در این مطالعه، اثربخشی دو مداخله کنترلی کاهش تحرک انسان و خود انزوا بررسی شد. برای انجام این کار، پارامترهای مداخله کنترلی در مدل‌ها قابل تنظیم شدند تا کاربران بتوانند آنها را به صورت پویا در شبیه‌سازی تغییر دهند. تعریف پویا پارامترها ما را قادر می سازد تا پیکربندی را تغییر دهیم و کارایی مداخلات را ارزیابی کنیم. در ادامه این بخش، اثربخشی دو مداخله مورد بررسی قرار گرفت.

۳٫۴٫۱٫ کاهش در تحرک انسان

برای ارزیابی اثرات کاهش تحرک انسان بر شیوع کووید-۱۹، شیوع بیماری به دو صورت در نظر گرفته شد: مانند قبل از شیوع (یعنی حرکت عادی مردم) و همانطور که در طول شیوع COVID-19 بود (یعنی کاهش رفت و آمد مردم). به دنبال گزارش‌های تحرک جامعه COVID-19 ( https://www.google.com/covid19/mobility/ (دسترسی در ۲۴ آوریل ۲۰۲۲)، جابجایی افراد در منطقه مورد مطالعه به مکان‌های عمومی و محل کار به ترتیب ۳۳ کاهش یافت. ٪ و ۱۸٪، به طور متوسط، از ژانویه تا فوریه ۲۰۲۱٫ تعداد عوامل انسانی تازه آلوده در هر دو حالت در نظر گرفتن حرکت معمولی و کاهش حرکت در شکل ۹ نشان داده شده است.

با توجه به شکل ۹ ، زمانی که افراد از قانون کاهش تحرک افراد پیروی می کنند، تعداد افراد مبتلا به طور متوسط حدود ۶۳ نفر در هفته کاهش می یابد. به عبارت دیگر، اگر مردم از ۵ ژانویه تا ۹ فوریه به حرکت عادی خود ادامه می دادند، تعداد مبتلایان به طور متوسط حدود ۶۳ مورد در هفته افزایش می یافت.

۳٫۴٫۲٫ مداخله خود انزوا

برای ارزیابی تأثیر مداخله ایزوله سازی، سه مقدار متمایز ۱۰، ۲۰ و ۳۰ درصد علاوه بر مقدار تعدیل شده (یعنی ۴۲ درصد) به عنوان درصد افراد عفونی که مداخله خود انزوا را دنبال می کنند در نظر گرفته شد. ذکر این نکته ضروری است که این ارزش ها به صورت ذهنی و بدون ادبیات خاصی برای حمایت از آن تعریف شده اند. در شکل ۱۰ ، تعداد عوامل انسانی تازه آلوده به‌دست‌آمده از مدل برای سه مقدار با نتایج به‌دست‌آمده در رابطه با مقدار تنظیم‌شده (یعنی ۴۲ درصد) برای پارامتر خود ایزوله‌سازی پس از کالیبراسیون مقایسه شد.

همانطور که در شکل ۱۰ نشان داده شده است ، اگر به جای ۴۲%، ۱۰%، ۲۰% و ۳۰% افراد عفونی از ۵ ژانویه تا ۹ فوریه خود را ایزوله می کردند، تعداد افراد مبتلا حدود ۲۵۹، ۲۰۷ و ۸۳ نفر افزایش می یافت. به ترتیب بیشتر در هفته.

۴٫ بحث

بلایایی مانند اپیدمی کووید-۱۹ ممکن است در صورت درک درست از مسائلی مانند نحوه عملکرد انسان ها و سیستم های اجتماعی در شرایط مختلف، نحوه سازگاری افراد و جوامع با سیستم های اجتماعی مختل شده، و رویه های عملی که می توان انجام داد، پیامدهای کمتری داشته باشد. ۵۱ ]. مدل‌سازی شیوع پویا COVID-19 به محققان و تصمیم‌گیرندگان اجازه می‌دهد تا این فرآیندها را درک کنند. انواع روش‌های مدل‌سازی اپیدمیولوژیک فضایی در چند دهه گذشته توسعه یافته‌اند [ ۵۲ ]. رویکرد مدل‌سازی ریاضی، به عنوان یکی از رویکردهای مدل‌سازی اپیدمیولوژیک، در بسیاری از مطالعات قبلی برای توضیح و پیش‌بینی اپیدمی‌ها و همچنین پیش‌بینی پیامدهای اقدامات بهداشت عمومی استفاده شده است.۱۱ , ۵۳ , ۵۴ , ۵۵ , ۵۶ , ۵۷]. هنگام مقایسه دو رویکرد مدل‌سازی اپیدمیولوژیک ریاضی و ABM، مدل‌های ریاضی اساساً مبتنی بر کل هستند زیرا نشان‌دهنده نرخ انتقال کلی در یک جمعیت در بین حالات بیماری هستند. علاوه بر در نظر گرفتن همگن جمعیت در مدل‌های ریاضی، پویایی‌های فضایی اساسی مانند تحرک جمعیت و تعاملات که برای گسترش هر بیماری عفونی، به‌ویژه COVID-19 حیاتی هستند، نیز تا حد زیادی نادیده گرفته شده‌اند. در مقابل، رویکرد ABM مبتنی بر فردی است و ناهمگونی را در مدل‌سازی در نظر می‌گیرد. علاوه بر این، رویکرد ABM با در نظر گرفتن حرکات و تعاملات افراد با توجه به فضا، اپیدمی ها را شبیه سازی می کند. قابلیت‌های رویکرد ABM نیروی محرکه تصمیم ما برای استفاده از آن در شبیه‌سازی همه‌گیری COVID-19 بود.

برای مهار شیوع COVID-19، اقدامات کنترلی سختگیرانه در سراسر جهان اجرا شده است [ ۵۸ ]. یکی از این اقدامات محدودیت در تحرک و سفر افراد است [ ۷ ، ۲۲ ، ۵۹ ]. حتی اگر هر حرکتی پتانسیل انتشار بیماری را دارد، به نظر می رسد تحرک داخلی ضروری تر از تحرک بین استانی باشد [ ۶۰ ]]. برای ارزیابی اثربخشی تحرک افراد در داخل شهر مونترال، از داده‌های مکانی استفاده کردیم و حرکت افراد را مطابق با داده‌های مکانی و همچنین برخی ویژگی‌های عوامل انسانی مانند سن و شغل شبیه‌سازی کردیم. پس از کاهش تعداد افراد آلوده در خصوص کاهش تحرک انسان، این نتیجه حاصل شد که حرکت مردم نقش مهمی در شیوع COVID-19 دارد. یافته های ما با نتایج چندین تحقیق قبلی [ ۲۲ ، ۵۹ ، ۶۰ ، ۶۱ ] مطابقت داشت.

حتی اگر تمایل افراد به خود انزوا شدن تحت تأثیر وضعیت اجتماعی-اقتصادی آنها [ ۶۲ ] است، خود انزوا می تواند مداخله مهم دیگری در برابر بیماری های مسری، به ویژه COVID-19 [ ۶۳ ] باشد. بر این اساس، تأثیر مداخله خود انزوا علاوه بر اثربخشی کاهش تحرک انسان در این مطالعه مورد بررسی قرار گرفت. با توجه به نتایج مدل ما، خود ایزوله‌سازی جمعیت عفونی منجر به کاهش چشمگیر تعداد افراد مبتلا می‌شود. به دنبال یافته‌های ما و سایر مطالعات [ ۱۲ ، ۶۴ ، ۶۵ ]، ایزوله‌سازی افراد عفونی می‌تواند به کاهش شدید شیوع COVID-19 منجر شود.

نقاط قوت و محدودیت ها

نقاط قوت ABM ما شامل موارد زیر است: (۱) ارائه یک توصیف جامع از چرخه انتقال COVID-19 در میان جمعیت. (ب) ادغام رویکرد ABM با GIS و استفاده از داده‌های مکانی برای مدل‌سازی حرکات و تعاملات عوامل انسانی و ساخت یک مدل اپیدمی فضایی. (iii) در نظر گرفتن مکان‌های متعدد برای جابجایی عوامل انسانی در طول روز برای ایجاد مدلی پویاتر. (IV) تعریف رویکرد سطوح مختلف تعامل و اعمال آن در محاسبه احتمال انتقال COVID19 به جای در نظر گرفتن یکسان تعاملات عوامل انسانی با یکدیگر؛ (v) در نظر گرفتن تعداد مختلف تعاملات روزانه و استفاده از آن در محاسبه احتمال انتقال COVID-19؛ (vi) انجام فرآیند کالیبراسیون مدل با استفاده از روش HM. (vii) اعتبارسنجی مدل با استفاده از آزمون Chi-square. (viii) ارائه نقشه ای که نقاط داغ COVID-19 را به عنوان تنها داده های مکانی در مورد وقوع COVID-19 موجود در منطقه مورد مطالعه نشان می دهد. و (ix) بررسی اثربخشی دو مداخله کنترلی که تاکنون کمتر مورد توجه قرار گرفته بود.

با وجود این نقاط قوت، این مطالعه دارای محدودیت‌های خاصی از نظر اعتبارسنجی مدل بود. این مدل با توجه به الگوی زمانی COVID-19 تأیید شد و اعتبار مدل از منظر فضایی به دلیل فقدان داده‌های مکانی وقوع COVID-19 در مقیاس شهر امکان پذیر نبود. علاوه بر این، به دلیل ماهیت محاسباتی فشرده مدل‌های مبتنی بر عامل و ظرفیت حافظه محدود رایانه‌ها، نمی‌توان همه جمعیت و فعالیت‌ها را در نظر گرفت. بر این اساس، هر نماینده به عنوان نماینده ۱۰۰ نفر در دنیای واقعی در نظر گرفته شد. در نتیجه، این شکاف بین نتایج مدل و واقعیت را افزایش داد و در نتیجه اعتبار مدل را تحت تأثیر قرار داد. این نیز محدودیت دیگری در اعتبارسنجی مدل‌های مبتنی بر عامل است.

۵٫ نتیجه گیری ها

COVID-19 باعث مرگ و میر بالا و محدودیت های بی سابقه در فعالیت های اجتماعی و اقتصادی در سراسر جهان شده است. این مطالعه بر توسعه یک ABM مبتنی بر GIS متمرکز بود که در آن شیوع COVID-19 در میان جمعیت‌های ناهمگن فرض می‌شد به طوری که تعاملات و حرکات انحصاری آنها در یک محیط مبتنی بر فضایی در نظر گرفته شد. تمرکز اصلی این تحقیق این بود: (۱) شبیه سازی پیشرفت شیوع COVID-19 در شهر مونترال، QC، کانادا، با در نظر گرفتن زمینه جغرافیایی شیوع. (۲) ارزیابی اثربخشی دو مداخله کنترلی در مهار شیوع COVID-19؛ (۳) نقشه ای ارائه دهید که نقاط داغ شیوع COVID-19 در منطقه مورد مطالعه را نشان می دهد. (۴) با طراحی پارامترهای مختلف تعریف شده توسط کاربر، یک پلت فرم تصمیم گیری انعطاف پذیر را فراهم می کند. و (۵) تعداد افراد در وضعیت های مختلف سلامت را در طول زمان ردیابی کنید. برای توضیح مدل از پروتکل ODD استفاده شد. کالیبراسیون مدل با استفاده از روش HM انجام شد. علاوه بر این، مدل پیشنهادی در رابطه با الگوی زمانی شیوع COVID-19 با استفاده از آزمون Chi-square تأیید شد. دو مداخله کنترلی مهم کاهش تحرک انسان و خود انزوا در این مدل برای ارائه اطلاعات در مورد اثربخشی آنها در مهار شیوع COVID-19 در منطقه مورد مطالعه اجرا شد. آزمایش‌های شبیه‌سازی ما نشان داد که جریان اصلی انتقال COVID-19 (یعنی تقریباً ۹۰٫۳۴٪) در مکان‌های عمومی رخ داده است. علاوه بر این، با توجه به تعداد موارد تازه آلوده از ۵ ژانویه تا ۹ فوریه ۲۰۲۱، می توان استنباط کرد که قوانین با هدف کاهش تحرک جمعیت، منجر به کاهش حدود ۶۳ نفر در هفته، به طور متوسط. علاوه بر این، سناریوهای ما نشان داد که اگر به جای ۴۲٪ (یعنی مقدار تنظیم شده در کالیبراسیون)، ۱۰٪، ۲۰٪ و ۳۰٪ افراد عفونی از اقدام خود ایزوله سازی پیروی می کردند، تعداد افراد آلوده افزایش می یافت. هر هفته به ترتیب تقریباً ۲۵۹، ۲۰۷ و ۸۳ مورد بیشتر. با توجه به یافته‌های این تحقیق، استنباط شد که هر دو مداخله کنترلی می‌توانند به طور قابل‌توجهی شیوع COVID-19 را مهار کنند. در نتیجه، ویژگی‌ها و یافته‌های ABM مبتنی بر GIS ما می‌تواند راه را برای دولت در مشاوره در مورد تصمیم‌گیری همه‌گیر هموار کند. این تحقیق می تواند مبنایی برای به کارگیری مداخلات کنترلی آینده نگر در منطقه مورد مطالعه باشد. سناریوهای ما نشان داد که اگر به جای ۴۲٪ (یعنی مقدار تنظیم شده در کالیبراسیون)، ۱۰٪، ۲۰٪ و ۳۰٪ افراد عفونی از اقدام خود ایزوله سازی پیروی می کردند، تعداد افراد آلوده تقریباً افزایش می یافت. هر هفته به ترتیب ۲۵۹، ۲۰۷ و ۸۳ مورد بیشتر. با توجه به یافته‌های این تحقیق، استنباط شد که هر دو مداخله کنترلی می‌توانند به طور قابل‌توجهی شیوع COVID-19 را مهار کنند. در نتیجه، ویژگی‌ها و یافته‌های ABM مبتنی بر GIS ما می‌تواند راه را برای دولت در مشاوره در مورد تصمیم‌گیری همه‌گیر هموار کند. این تحقیق می تواند مبنایی برای به کارگیری مداخلات کنترلی آینده نگر در منطقه مورد مطالعه باشد. سناریوهای ما نشان داد که اگر به جای ۴۲٪ (یعنی مقدار تنظیم شده در کالیبراسیون)، ۱۰٪، ۲۰٪ و ۳۰٪ افراد عفونی از اقدام خود ایزوله سازی پیروی می کردند، تعداد افراد آلوده تقریباً افزایش می یافت. هر هفته به ترتیب ۲۵۹، ۲۰۷ و ۸۳ مورد بیشتر. با توجه به یافته‌های این تحقیق، استنباط شد که هر دو مداخله کنترلی می‌توانند به طور قابل‌توجهی شیوع COVID-19 را مهار کنند. در نتیجه، ویژگی‌ها و یافته‌های ABM مبتنی بر GIS ما می‌تواند راه را برای دولت در مشاوره در مورد تصمیم‌گیری همه‌گیر هموار کند. این تحقیق می تواند مبنایی برای به کارگیری مداخلات کنترلی آینده نگر در منطقه مورد مطالعه باشد. تعداد افراد آلوده هر هفته به ترتیب تقریباً ۲۵۹، ۲۰۷ و ۸۳ نفر بیشتر می شد. با توجه به یافته‌های این تحقیق، استنباط شد که هر دو مداخله کنترلی می‌توانند به طور قابل‌توجهی شیوع COVID-19 را مهار کنند. در نتیجه، ویژگی‌ها و یافته‌های ABM مبتنی بر GIS ما می‌تواند راه را برای دولت در مشاوره در مورد تصمیم‌گیری همه‌گیر هموار کند. این تحقیق می تواند مبنایی برای به کارگیری مداخلات کنترلی آینده نگر در منطقه مورد مطالعه باشد. تعداد افراد آلوده هر هفته به ترتیب تقریباً ۲۵۹، ۲۰۷ و ۸۳ نفر بیشتر می شد. با توجه به یافته‌های این تحقیق، استنباط شد که هر دو مداخله کنترلی می‌توانند به طور قابل‌توجهی شیوع COVID-19 را مهار کنند. در نتیجه، ویژگی‌ها و یافته‌های ABM مبتنی بر GIS ما می‌تواند راه را برای دولت در مشاوره در مورد تصمیم‌گیری همه‌گیر هموار کند. این تحقیق می تواند مبنایی برای به کارگیری مداخلات کنترلی آینده نگر در منطقه مورد مطالعه باشد. ویژگی ها و یافته های ABM مبتنی بر GIS ما می تواند راه را برای دولت در مشاوره در مورد تصمیم گیری بیماری های همه گیر هموار کند. این تحقیق می تواند مبنایی برای به کارگیری مداخلات کنترلی آینده نگر در منطقه مورد مطالعه باشد. ویژگی ها و یافته های ABM مبتنی بر GIS ما می تواند راه را برای دولت در مشاوره در مورد تصمیم گیری بیماری های همه گیر هموار کند. این تحقیق می تواند مبنایی برای به کارگیری مداخلات کنترلی آینده نگر در منطقه مورد مطالعه باشد.

پیوست اول

اطلاعات جمعیتی شهر مونترال و همچنین آمار نیروی کار آن.

جدول A1. جمعیت شهر مونترال بر اساس سن (سال ۲۰۱۶).

جدول A2. تعداد خانوارها بر اساس بعد خانوار (سال ۱۳۹۵).

جدول A3. آمار کار افراد ۱۵ سال و بالاتر در سال ۲۰۱۶ [ ۶۶ ].

ضمیمه B

فلوچارت پیاده سازی مدل مبتنی بر عامل پیشنهادی در چارچوب Mesa.

شکل A1. فرآیندهای پیاده سازی کد در Mesa.

پیوست ج

تمام پارامترهای مورد استفاده در محاسبه احتمال انتقال عفونت.

جدول A4. مقادیر پارامترهای در نظر گرفته شده در محاسبه احتمال انتقال عفونت.

ضمیمه D

تعداد روزانه تعاملات افراد.

جدول A5. تعداد تعاملات روزانه افراد بر اساس سن [ ۴۴ ].

منابع

علی، م. احسن، GU; خان، ر. خان، HR; حسین، الف. تأثیر فوری دستورهای ماندن در خانه برای کنترل انتقال COVID-19 بر سلامت روان در بزرگسالان بنگلادشی: الگوها، توضیحات، و جهت‌گیری‌های آینده. BMC Res. یادداشت‌ها ۲۰۲۰ ، ۱۳ ، ۴۹۴٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
چاکرابورتی، آی. Maity، P. شیوع COVID-19: مهاجرت، اثرات بر جامعه، محیط زیست جهانی و پیشگیری. علمی کل محیط. ۲۰۲۰ , ۷۲۸ , ۱۳۸۸۸۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
والیارویچ، آ. میلیچ، م. والیارویچ، دی. استانوجویچ-ریستیچ، ز. پتروویچ، ال. میلانوویچ، م. فیلیپوویچ، دی. ریستانوویچ، بی. باسارین، بی. لوکیک، تی. مدل‌سازی و نقشه‌برداری از مسیر COVID-19 و مسیرهای همه‌گیری در مقیاس جهانی: دیدگاه یک جغرافی‌دان. Geosci را باز کنید. ۲۰۲۰ ، ۱۲ ، ۱۶۰۳-۱۶۱۶٫ [ Google Scholar ] [ CrossRef ]
اندرسن، ال.ام. هاردن، اس آر. Sugg، MM; رانکل، جی دی. Lundquist، TE تجزیه و تحلیل عوامل مکانی انتقال محلی COVID-19 در ایالات متحده. علمی کل محیط. ۲۰۲۱ ، ۷۵۴ ، ۱۴۲۳۹۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ژو، سی. سو، اف. پی، تی. ژانگ، ا. دو، ی. لو، بی. کائو، ز. وانگ، جی. یوان، دبلیو. Zhu, Y. COVID-19: چالش های GIS با داده های بزرگ. Geogr. حفظ کنید. ۲۰۲۰ ، ۱ ، ۷۷-۸۷٫ [ Google Scholar ] [ CrossRef ]
سان، اف. متیوز، SA; یانگ، تی.-سی. هو، M.-H. تجزیه و تحلیل فضایی شیوع دوره COVID-19 در شهرستان های ایالات متحده تا ۲۸ ژوئن ۲۰۲۰: کجا جغرافیا اهمیت دارد؟ ان اپیدمیول. ۲۰۲۰ ، ۵۲ ، ۵۴-۵۹٫e1. [ Google Scholar ] [ CrossRef ]
اوسالیوان، دی. گهگان، م. اکستر، دی. آدامز، ب. مدل‌های صریح فضایی برای کاوش در استراتژی‌های قرنطینه COVID-19. ترانس. GIS ۲۰۲۰ , ۲۴ , ۹۶۷–۱۰۰۰٫ [ Google Scholar ] [ CrossRef ]
گلیسون، جی پی؛ برندان مورفی، تی. O’Brien، JD; فریل، ن. برگری، ن. O’Sullivan، دی‌جی کالیبراسیون مدل‌های حساس-در معرض-عفونت-حذف شده کووید-۱۹ با نرخ تماس موثر متغیر با زمان. فیلوس ترانس. R. Soc. ۲۰۲۲ , ۳۸۰ , ۲۰۲۱۰۱۲۰٫ [ Google Scholar ] [ CrossRef ]
چان، اس. سیستم های تطبیقی پیچیده. در سمینار تحقیقاتی ESD 83 در سیستم های مهندسی ; MIT: کمبریج، MA، ایالات متحده آمریکا، ۲۰۰۱; صفحات ۱-۹٫ [ Google Scholar ]
باتی، م. Torrens، PM مدل سازی و پیش بینی در دنیای پیچیده. آتی ۲۰۰۵ ، ۳۷ ، ۷۴۵-۷۶۶٫ [ Google Scholar ] [ CrossRef ]
اولیویرا، جی اف. خورخه، دی سی؛ ویگا، RV; رودریگز، ام اس; تورکواتو، MF; دا سیلوا، NB; Fiaccone، RL; Cardim, LL; پریرا، FA; د کاسترو، CP مدل‌سازی ریاضی COVID-19 در ۱۴٫۸ میلیون نفر در باهیا، برزیل. نات. اشتراک. ۲۰۲۱ ، ۱۲ ، ۳۳۳٫ [ Google Scholar ] [ CrossRef ]
الله، س. خان، کارشناسی ارشد مدل‌سازی تأثیر مداخلات غیردارویی بر پویایی کروناویروس جدید با تجزیه و تحلیل کنترل بهینه با مطالعه موردی. Chaos Solitons Fractals ۲۰۲۰ , ۱۳۹ , ۱۱۰۰۷۵٫ [ Google Scholar ] [ CrossRef ]
قراخانلو، ن.م. هوشنگی، ن. شبیه سازی دینامیکی انتشار آتش در جنگل ها و مراتع با استفاده از مدل اتوماتای سلولی مبتنی بر GIS. بین المللی J. Wildland Fire ۲۰۲۱ ، ۳۰ ، ۶۵۲-۶۶۳٫ [ Google Scholar ] [ CrossRef ]
گاودرو، جی. پرز، ال. Drapeau، P. BorealFireSim: یک مدل خودکار سلولی مبتنی بر GIS از آتش‌سوزی‌ها برای جنگل شمالی کبک در یک الگوی تغییر آب و هوا. Ecol. آگاه کردن. ۲۰۱۶ ، ۳۲ ، ۱۲-۲۷٫ [ Google Scholar ] [ CrossRef ]
پرز، ال. دراگیچویچ، اس. وایت، R. آزمایش و ارزیابی مدل: دیدگاه‌های یک مدل هوش ازدحامی، مبتنی بر عامل از هجوم حشرات جنگلی. محاسبه کنید. محیط زیست سیستم شهری ۲۰۱۳ ، ۳۹ ، ۱۲۱-۱۳۵٫ [ Google Scholar ] [ CrossRef ]
پرز، ال. دراگیسویچ، اس. Gaudreau، J. یک مدل مبتنی بر عامل جغرافیایی از پویایی شهری فضایی جمعیت مهاجر: مطالعه جزیره مونترال، کانادا. PLoS ONE ۲۰۱۹ , ۱۴ , e0219188. [ Google Scholar ] [ CrossRef ]
منشی، ج. روی، آی. بالاسوبرامانیان، جی. پویایی فضایی-زمانی در انتقال بیماری حساس به جمعیت: گسترش COVID-19 در نیویورک به عنوان یک مطالعه موردی. arXiv ۲۰۲۰ ، arXiv:2005.01001. [ Google Scholar ]
سفید، SH; دل ری، AM; سانچز، GR مدلسازی اپیدمی ها با استفاده از اتوماتای سلولی. Appl. ریاضی. محاسبه کنید. ۲۰۰۷ ، ۱۸۶ ، ۱۹۳-۲۰۲٫ [ Google Scholar ] [ CrossRef ]
قراخانلو، ن.م. هوشنگی، ن. Helbich, M. مدلی مبتنی بر عامل فضایی برای ارزیابی شیوع مالاریا در رابطه با مداخلات ضد مالاریا در جنوب شرقی ایران. ISPRS Int. J. Geo-Inform. ۲۰۲۰ ، ۹ ، ۵۴۹٫ [ Google Scholar ] [ CrossRef ]
پرز، ال. Dragicevic، S. یک رویکرد مبتنی بر عامل برای مدل‌سازی پویایی گسترش بیماری مسری. بین المللی J. Health Geogr. ۲۰۰۹ ، ۸ ، ۵۰٫ [ Google Scholar ] [ CrossRef ]
قراخانلو، ن.م. مسگری، ام اس; هوشنگی، ن. توسعه یک مدل مبتنی بر عامل برای شبیه‌سازی انتشار پویا مالاریا پلاسمودیوم ویواکس: مطالعه موردی سرباز، ایران. Ecol. آگاه کردن. ۲۰۱۹ ، ۵۴ ، ۱۰۱۰۰۶٫ [ Google Scholar ] [ CrossRef ]
قراخانلو، ن.م. هوشنگی، ن. شبیه‌سازی فضایی-زمانی شیوع کروناویروس جدید (COVID-19) با استفاده از رویکرد مدل‌سازی مبتنی بر عامل (مطالعه موردی: ارومیه، ایران). آگاه کردن. پزشکی Unlocked ۲۰۲۰ , ۲۰ , ۱۰۰۴۰۳٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
ماکاروف، وی.ال. بختیزین، ع. سوشکو، ED; آگیوا، مدل‌سازی اپیدمی کووید-۱۹ AF-مزایای یک رویکرد مبتنی بر عامل. اقتصاد. Sotsialnye Peremeny ۲۰۲۰ ، ۱۳ ، ۵۸-۷۳٫ [ Google Scholar ]
شمیل، م. فرهین، اف. ابتهاز، ن. خان، IM; رحمان، ام اس مدل سازی مبتنی بر عامل COVID-19: اعتبار سنجی، تجزیه و تحلیل و توصیه ها. شناخت. محاسبه کنید. ۲۰۲۱ ، ۱-۱۲٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
Kerr, CC; استوارت، آر.ام. میستری، دی. Abeysuriya, RG; روزنفلد، ک. هارت، GR; نونیز، آرسی کوهن، جی. سلواراج، پ. Hagedorn, B. Covasim: مدلی مبتنی بر عامل از پویایی و مداخلات COVID-19. محاسبات PLoS. Biol. ۲۰۲۱ ، ۱۷ ، e1009149. [ Google Scholar ] [ CrossRef ]
Cuevas, E. مدلی مبتنی بر عامل برای ارزیابی خطرات انتقال COVID-19 در تأسیسات. محاسبه کنید. Biol. پزشکی ۲۰۲۰ , ۱۲۱ , ۱۰۳۸۲۷٫ [ Google Scholar ] [ CrossRef ]
گائودو، بی. Huynh، NQ; فیلیپون، دی. بروژیر، آ. چاپویس، ک. Taillandier، P. لارمانده، پ. Drogoul, A. Comokit: یک کیت مدل سازی برای درک، تجزیه و تحلیل و مقایسه تأثیرات سیاست های کاهش در برابر اپیدمی COVID-19 در مقیاس یک شهر. جلو. بهداشت عمومی ۲۰۲۰ ، ۸ ، ۵۶۳۲۴۷٫ [ Google Scholar ] [ CrossRef ]
گریگنارد، آ. نگوین-هو، تی. Taillandier، P. آلونسو، ال. ایوب، ن. الکاتشا، م. پالومو، جی. گومز، ام. سیلر، ام. Gamboa, M. استفاده از مدل‌سازی مبتنی بر عامل برای درک رفتارهای سودمند در برابر انتقال COVID-19 در محیط ساخته شده. در مجموعه مقالات کارگاه بین المللی سیستم های چند عاملی و شبیه سازی مبتنی بر عامل، پاریس، فرانسه، ۴ تا ۶ ژوئیه ۱۹۹۸٫ صص ۸۶-۹۸٫ [ Google Scholar ]
آبرامز، اس. وامبوآ، جی. سانترمنس، ای. ویلم، ال. کویلن، ای. کولتی، پی. لیبین، پی. فائس، سی. پتروف، او. هرتزوگ، ساژه مدل‌سازی فاز اولیه اپیدمی COVID-19 بلژیکی با استفاده از یک مدل بخش تصادفی و مطالعه مسیرهای ضمنی آینده آن. Epidemics ۲۰۲۱ , ۳۵ , ۱۰۰۴۴۹٫ [ Google Scholar ] [ CrossRef ]
Manout، O.; Ciari، F. ارزیابی نقش فعالیت های روزانه و تحرک در گسترش COVID-19 در مونترال با رویکرد عامل محور. جلو. محیط ساخته شده ۲۰۲۱ ، ۷ ، ۶۵۴۲۷۹٫ [ Google Scholar ] [ CrossRef ]
کازیل، ج. مساد، د. Crooks، A. استفاده از پایتون برای مدل‌سازی مبتنی بر عامل: چارچوب mesa. در مجموعه مقالات کنفرانس بین‌المللی محاسبات اجتماعی، مدل‌سازی رفتاری-فرهنگی و پیش‌بینی و بازنمایی رفتار در مدل‌سازی و شبیه‌سازی، پیتسبورگ، PA، ایالات متحده آمریکا، ۲۰-۲۲ سپتامبر ۲۰۲۲؛ صص ۳۰۸-۳۱۷٫ [ Google Scholar ]
مساد، د. Kazil، J. MESA: یک چارچوب مدل سازی مبتنی بر عامل. در مجموعه مقالات چهاردهمین کنفرانس پایتون در علم، آستین، تگزاس، ایالات متحده آمریکا، ۱۱ تا ۱۷ ژوئیه ۲۰۲۲؛ صص ۵۳-۶۰٫ [ Google Scholar ]
گریم، وی. برگر، یو. باستیانسن، اف. الیاسن، اس. ژینوت، وی. گیسکه، جی. گاس کاستارد، جی. گراند، تی. هاینز، SK; Huse، G. یک پروتکل استاندارد برای توصیف مدل‌های مبتنی بر فردی و مبتنی بر عامل. Ecol. مدل. ۲۰۰۶ ، ۱۹۸ ، ۱۱۵-۱۲۶٫ [ Google Scholar ] [ CrossRef ]
گریم، وی. برگر، یو. DeAngelis، DL; پولهیل، جی جی. گیسکه، جی. Railsback، SF پروتکل ODD: بررسی و اولین به روز رسانی. Ecol. مدل. ۲۰۱۰ ، ۲۲۱ ، ۲۷۶۰-۲۷۶۸٫ [ Google Scholar ] [ CrossRef ]
مک آلون، سی. کالینز، Á. هانت، ک. باربر، ا. بیرن، AW; باتلر، اف. کیسی، ام. گریفین، جی. لین، ای. McEvoy، D. دوره نهفتگی COVID-19: مرور سیستماتیک سریع و متاآنالیز تحقیقات مشاهده ای. BMJ Open ۲۰۲۰ , ۱۰ , e039652. [ Google Scholar ] [ CrossRef ]
هینچ، آر. پروبرت، WJ; نورتای، ا. کندال، م. وایمانت، سی. هال، م. لیتگو، ک. بولاس کروز، آ. ژائو، ال. استوارت، ا. و همکاران OpenABM-Covid19 – مدلی مبتنی بر عامل برای مداخلات غیردارویی علیه COVID-19 از جمله ردیابی تماس. محاسبات PLoS. Biol. ۲۰۲۱ ، ۱۷ ، e1009146. [ Google Scholar ] [ CrossRef ]
پلیس، ال. اسکارابل، اف. مرحله، HB; اورتون، م. چاپل، LH; Lythgoe، KA. فیرون، ای. بنت، ای. کوران-سباستین، جی. Das, R. چالش‌های کنترل COVID-19: زمان دوبرابر کردن کوتاه و تأخیر طولانی برای تأثیر مداخلات. arXiv ۲۰۲۰ ، arXiv:2004.00117. [ Google Scholar ] [ CrossRef ]
که، ر. رومرو-سورسون، ای. سانچه، اس. Hengartner، N. تخمین تعداد تولید مثل R0 SARS-CoV-2 در ایالات متحده و هشت کشور اروپایی و پیامدهای واکسیناسیون. جی. نظریه. Biol. ۲۰۲۱ , ۵۱۷ , ۱۱۰۶۲۱٫ [ Google Scholar ] [ CrossRef ]
ریکاردو، اف. اژلی، م. آندریانو، X. بلا، ا. دل مانسو، م. فابیانی، ام. مشخصات اپیدمیولوژیک موارد COVID-19 در ایتالیا و تخمین تعداد باروری یک ماه پس از اپیدمی. medRxiv ۲۰۲۰ ، ۱۰ ، ۱۵۶۰-۷۹۱۷٫ [ Google Scholar ]
یانگ، ایکس. یو، ی. خو، جی. شو، اچ. لیو، اچ. وو، ی. ژانگ، ال. یو، ز. نیش، م. یو، تی. دوره بالینی و نتایج بیماران بدحال مبتلا به پنومونی SARS-CoV-2 در ووهان، چین: مطالعه مشاهده ای گذشته نگر و تک محوری. Lancet Respir. پزشکی ۲۰۲۰ ، ۸ ، ۴۷۵-۴۸۱٫ [ Google Scholar ] [ CrossRef ]
کامل بولوس، MN; Geraghty، EM ردیابی و نقشه برداری جغرافیایی بیماری کرونا ویروس کووید-۱۹/سندرم حاد تنفسی ویروس همه گیر ۲ (SARS-CoV-2) و رویدادهای مرتبط در سراسر جهان: چگونه فن آوری های GIS قرن بیست و یکم از مبارزه جهانی علیه شیوع و همه گیری ها حمایت می کنند. بین المللی J. Health Geogr. ۲۰۲۰ ، ۱۹ ، ۱۲٫ [ Google Scholar ]
اشمیت، اف. دروگه روتار، ا. Rienow، A. توسعه یک وب GIS برای تشخیص و تجزیه و تحلیل در مقیاس کوچک موارد COVID-19 (SARS-CoV-2) بر اساس اطلاعات جغرافیایی داوطلبانه برای شهر کلن، آلمان، در ژوئیه/آگوست ۲۰۲۰٫ بین المللی. J. Health Geogr. ۲۰۲۱ ، ۲۰ ، ۲۴٫ [ Google Scholar ]
شپرد، HE; آتردن، FS; چان، HMT; لاوریج، ا. Tatem، AJ روندهای تحرک داخلی و بین المللی در بریتانیا در طول همه گیری COVID-19: تجزیه و تحلیل داده های فیس بوک. بین المللی J. Health Geogr. ۲۰۲۱ ، ۲۰ ، ۱۳٫ [ Google Scholar ] [ CrossRef ]
موسونگ، جی. جوجه ها، ن. جیت، م. بیوتلز، پ. اورانن، ک. میکولایچیک، آر. مساری، م. سالماسو، اس. تومبا، جی اس. Wallinga، J. تماس های اجتماعی و الگوهای اختلاط مربوط به گسترش بیماری های عفونی. PLoS Med. ۲۰۰۸ ، ۵ ، e74. [ Google Scholar ] [ CrossRef ]
Macal، CM; شمال، مدل سازی و شبیه سازی مبتنی بر عامل MJ. در مجموعه مقالات کنفرانس شبیه سازی زمستانی ۲۰۰۹ (WSC)، آستین، TX، ایالات متحده، ۱۳-۱۶ دسامبر ۲۰۰۹٫ صص ۸۶-۹۸٫ [ Google Scholar ]
حسن، س. آرویو، جی. Galán Ordax، JM; آنتونز، ال. Pavón Mestras، J. پرسش از اوراکل: معرفی اصول پیش‌بینی در مدل‌سازی مبتنی بر عامل. جی آرتیف. Soc. Soc. شبیه سازی ۲۰۱۳ ، ۱۶ ، ۳٫ [ Google Scholar ] [ CrossRef ]
Purshouse، RC; متحد، AK; برنان، ا. مویو، دی. نورمن، پی. تخمین پارامتر تکاملی برای یک تئوری ریزشبیه‌سازی رفتار برنامه‌ریزی شده دینامیک مصرف الکل در یک گروه تولد انگلیسی از ۲۰۰۳ تا ۲۰۱۰٫ ۲۰۱۴; صص ۱۱۵۹–۱۱۶۶٫ [ Google Scholar ]
مک کالوچ، جی. جی، جی. وارد، JA; هپنستال، ا. پولهیل، جی جی. مالسون، N. کالیبراسیون مدل های مبتنی بر عامل با استفاده از روش های کمی سازی عدم قطعیت. جی آرتیف. Soc. Soc. شبیه سازی ۲۰۲۲ ، ۲۵ ، ۱۰۰٫ [ Google Scholar ] [ CrossRef ]
Pukelsheim, F. قانون سه سیگما. صبح. آمار ۱۹۹۴ ، ۴۸ ، ۸۸-۹۱٫ [ Google Scholar ]
کرکوود، BR; Sterne, JA Essential Medical Statistics ; جان وایلی و پسران: Piscataeay، نیوجرسی، ایالات متحده آمریکا، ۲۰۱۰٫ [ Google Scholar ]
رفعت، SAA; لیو، دبلیو. اندازه‌گیری تاب‌آوری جامعه در برابر بلایا در مناطق ساحلی ایالات متحده. ISPRS Int. J Geo-Inform. ۲۰۲۰ ، ۹ ، ۴۶۹٫ [ Google Scholar ] [ CrossRef ]
Bian, L. رویکردهای فضایی برای مدل‌سازی پراکندگی بیماری‌های واگیر – یک بررسی. ترانس. GIS ۲۰۱۳ ، ۱۷ ، ۱۷٫ [ Google Scholar ] [ CrossRef ]
Gevertz، JL; گرین، جی.ام. سانچز تاپیا، CH; Sontag, ED یک مدل اپیدمیولوژیک جدید COVID-19 با محفظه‌های جداسازی حساس و بدون علامت، پیامدهای غیرمنتظره زمان‌بندی فاصله‌گذاری اجتماعی را نشان می‌دهد. جی. نظریه. Biol. ۲۰۲۱ ، ۵۱۰ ، ۱۱۰۵۳۹٫ [ Google Scholar ] [ CrossRef ]
آن، من. هیو، اس. جی، اس. کیم، KH; کیم، تی. لی، ای جی; پارک، جی. Sung، K. بررسی مدل‌های اپیدمیولوژیک غیرخطی برای تجزیه و تحلیل و کنترل شیوع MERS در کره. جی. نظریه. Biol. ۲۰۱۸ ، ۴۳۷ ، ۱۷-۲۸٫ [ Google Scholar ] [ CrossRef ]
موسی، اس.اس. قریشی، س. ژائو، اس. یوسف، ع. مصطفی، UT; او، دی. مدلسازی ریاضی اپیدمی COVID-19 با تأثیر برنامه های آگاهی. آلوده کردن دیس مدل. ۲۰۲۱ ، ۶ ، ۴۴۸-۴۶۰٫ [ Google Scholar ] [ CrossRef ]
ثامنی، ر. مدلسازی ریاضی بیماریهای همه گیر; مطالعه موردی کروناویروس COVID-19. arXiv ۲۰۲۰ ، arXiv:2003.11371. [ Google Scholar ]
سناپاتی، ع. رعنا، س. داس، تی. Chattopadhyay, J. تأثیر مداخله بر گسترش COVID-19 در هند: یک مطالعه مبتنی بر مدل. جی. نظریه. Biol. ۲۰۲۱ , ۵۲۳ , ۱۱۰۷۱۱٫ [ Google Scholar ] [ CrossRef ]
خان، MHR; Hossain, A. رویکردهای یادگیری ماشینی نشان می‌دهد که تعداد آزمایش‌ها برای پیش‌بینی موارد تأیید شده جهانی COVID-19 اهمیتی ندارد. جلو. آرتیف. هوشمند ۲۰۲۰ ، ۳ ، ۹۰٫ [ Google Scholar ] [ CrossRef ]
کریمر، MU; یانگ، سی.-اچ. گوتیرز، بی. وو، سی.-اچ. کلاین، بی. پیگوت، دی.م. گروه†، OC-DW؛ دو پلسیس، ال. فاریا، NR; لی، آر. تأثیر تحرک انسان و اقدامات کنترلی بر اپیدمی COVID-19 در چین. Science ۲۰۲۰ , ۳۶۸ , ۴۹۳-۴۹۷٫ [ Google Scholar ] [ CrossRef ]
Iacus، SM; سانتاماریا، سی. سرمی، ف. اسپیراتوس، اس. طرچی، د. Vespe، M. تحرک انسان و پویایی اولیه COVID-19. دینام غیر خطی ۲۰۲۰ ، ۱۰۱ ، ۱۹۰۱-۱۹۱۹٫ [ Google Scholar ] [ CrossRef ]
لیما، ال. آتمن، الف. تأثیر محدودیت تحرک در رویدادهای فراپراکنده COVID-19 با استفاده از مدل مبتنی بر عامل. PLoS ONE ۲۰۲۱ , ۱۶ , e0248708. [ Google Scholar ] [ CrossRef ]
سیویک، ام. بارال، SD; کروزیر، آ. Cassell, JA پشتیبانی از خود انزوا در پاسخ به COVID-19 بسیار مهم است. BMJ ۲۰۲۱ , ۳۷۲ , ۱۴۵٫ [ Google Scholar ] [ CrossRef ]
جیانگ، ایکس. نیو، ی. لی، ایکس. لی، ال. کای، دبلیو. چن، ی. لیائو، بی. وانگ، ای. آیا یک دوره قرنطینه ۱۴ روزه برای کنترل مؤثر بیماری کروناویروس ۲۰۱۹ (COVID-19) بهینه است؟ MedRxiv ۲۰۲۰٫ [ CrossRef ]
ون زندوورت، ک. جارویس، CI; پیرسون، کالیفرنیا؛ دیویس، NG; راتناایکه، آر. راسل، TW; کوچارسکی، ای جی. جیت، م. فلاشه، اس. استراتژی‌های پاسخگویی Ego، RM برای همه‌گیری‌های COVID-19 در محیط‌های آفریقا: یک مطالعه مدل‌سازی ریاضی. BMC Med. ۲۰۲۰ ، ۱۸ ، ۱۹٫ [ Google Scholar ] [ CrossRef ]
فلاکسمن، اس. میشا، س. گاندی، ا. Unwin، HJT; ملان، TA; کوپلند، اچ. ویتاکر، سی. زو، اچ. براه، ت. Eaton، JW برآورد اثرات مداخلات غیردارویی بر COVID-19 در اروپا. Nature ۲۰۲۰ ، ۵۸۴ ، ۲۵۷–۲۶۱٫ [ Google Scholar ] [ CrossRef ]
آمار کانادا وضعیت نیروی کار، طبقه بندی برنامه های آموزشی، شغل، طبقه بندی ملی مشاغل، آمار کانادا، سرشماری جمعیت ۲۰۱۶، کاتالوگ آمار کانادا شماره ۹۸-۴۰۰-X2016259 ; آمار کانادا: اتاوا، ON، کانادا، ۲۰۱۶٫ [ Google Scholar ]
فرتی، ال. وایمانت، سی. کندال، م. ژائو، ال. نورتای، ا. آبلر-دورنر، ال. پارکر، ام. بونسال، دی. فریزر، سی. تعیین کمیت انتقال SARS-CoV-2 کنترل اپیدمی با ردیابی تماس دیجیتالی را پیشنهاد می‌کند. Science ۲۰۲۰ , ۳۶۸ , ۱۹۹٫ [ Google Scholar ] [ CrossRef ]
ژانگ، جی. لیتوینووا، م. لیانگ، ی. وانگ، ی. وانگ، دبلیو. ژائو، اس. وو، کیو. مرلر، اس. ویبود، سی. Vespignani، A. تغییرات در الگوهای تماس، پویایی شیوع COVID-19 در چین را شکل می دهد. Science ۲۰۲۰ ، ۳۶۸ ، ۱۴۸۱-۱۴۸۶٫ [ Google Scholar ] [ CrossRef ]

شکل ۱٫ ( الف ) کاربری اراضی مونترال در چهار گروه; و ( ب ) تراکم جمعیت مونترال.

شکل ۲٫ نمایش اجزای مدل پیشنهادی.

شکل ۳٫ فعالیت ساعتی عوامل انسانی در طول یک روز بر اساس سن و شغل آنها.

شکل ۴٫ احتمال و توزیع زمانی انتقال، و وضعیت سلامت عوامل انسانی.

شکل ۵٫ عملکرد روش HM مورد استفاده برای کالیبراسیون مدل.

شکل ۶٫ تعداد تکانه عوامل انسانی در هر وضعیت در طول شبیه سازی (نتیجه یک اجرای مثال). هر نماینده نماینده ۱۰۰ نفر است.

شکل ۷٫ درصد عوامل انسانی آلوده بر اساس سن.

شکل ۸٫ نقشه فضایی مکان های بحرانی شیوع COVID-19 در منطقه مورد مطالعه.

شکل ۹٫ تعداد عوامل انسانی تازه آلوده در دو حالت در نظر گرفتن حرکت عادی مردم و همچنین کاهش در رفت و آمد مردم. هر نماینده نماینده ۱۰۰ نفر است.

شکل ۱۰٫ تعداد عوامل انسانی تازه آلوده با توجه به چهار مقدار متمایز برای درصد افراد عفونی که مداخله ایزوله سازی را مشاهده می کنند. هر نماینده نماینده ۱۰۰ نفر است.