在世界各地的城市中，冠状病毒爆发都与餐厅、咖啡馆和健身房有关。现在，一项使用手机数据来绘制人们活动的新模型表明，这些场所可能是美国城市中大多数 COVID-19 感染的源头。
该模型发表在今日的《自然》杂志上，还揭示了降低场所的容客量如何显著减少感染人数。
华威大学（考文垂）的经济学家蒂莫·费策尔说，该模型“为采取哪些具有成本效益的措施来控制疾病传播，同时又限制对经济的损害，提供了具体的指导”。“这是政策的最佳平衡点。”
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。通过购买订阅，您将帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
移动数据
为了预测人们的活动可能如何影响病毒传播，研究团队将来自手机应用程序的匿名位置数据输入到一个简单的流行病学模型中，该模型估计了疾病的传播速度。位置数据由位于科罗拉多州丹佛市的公司 SafeGraph 收集，来自美国 10 个最大的城市，包括伊利诺伊州芝加哥市；纽约；和宾夕法尼亚州费城。它绘制了人们在 3 月份开始的 2 个月内，如何在 57,000 个社区与餐厅、教堂、健身房、酒店、汽车经销商和体育用品商店等兴趣点之间移动。
当研究团队将该模型在 3 月 8 日至 4 月 15 日期间芝加哥社区的感染人数与一个月后在这些社区正式记录的感染人数进行比较时，他们发现该模型准确地预测了确诊病例数。
莱斯科韦茨说：“我们能够忠实地估计每天每小时 1 亿人之间的接触网络。这是我们拥有的秘诀。”
场所热点
然后，研究团队使用该模型模拟了不同的情景，例如重新开放一些场所，同时保持其他场所关闭。他们发现，以满负荷容量开放餐厅会导致感染人数增加最多，其次是健身房、咖啡馆、酒店和汽车旅馆。如果芝加哥在 5 月 1 日重新开放餐厅，那么当月将额外增加近 60 万例感染，而开放健身房将额外产生 14.9 万例感染。如果所有场所都开放，该模型预测将额外增加 330 万例病例。
但是，将所有场所的容客量上限设定为 30% 将使额外感染人数减少到 110 万，该模型估计。如果容客量上限设定为 20%，新增感染人数将减少 80% 以上，降至约 65 万例。
伦敦帝国学院的流行病学家尼尔·弗格森说：“该研究突出了关于人口流动的实时大数据如何为以前所未有的空间粒度水平预测传播动态提供潜力。”
移动数据还表明，为什么来自较贫困社区的人们更可能感染 COVID-19：因为他们更难在家工作，而且他们购买必需品的商店通常比其他地区的商店更拥挤。较贫困社区的平均杂货店每平方英尺每小时的访客人数多出 59%，而且访客停留的时间平均比这些地区以外的商店长 17%。莱斯科韦茨说，居住在这些地区的人们可能没有太多选择去访客较少的商店，因此，一次购物的风险是来自较富裕地区的人的两倍。
但是牛津大学的流行病学家克里斯托弗·戴伊说，这些流动模式需要用真实世界的数据来验证。“这是一个有待检验的流行病学假设。但这是一个非常值得检验的假设，”他说。
全球趋势
费策尔说，从广义上讲，建模研究证实了从全球范围内的接触者追踪研究中学到的许多东西，这些研究已将餐厅、健身房、合唱团排练、疗养院和其他拥挤的室内场所确定为超级传播事件的地点，在这些地点，许多人在同一时间被感染。
上个月，费策尔发表了一份报告，显示英国政府一项名为“外出就餐，帮助他人”的计划（在该计划中，8 月份的餐厅用餐获得了补贴）如何导致餐厅访问量激增，并占当月新增 COVID-19 感染人数的 17% 之多。
但是，餐厅可能并非在所有地方都是热点地区。德国的接触者追踪数据显示，餐厅并非该国的主要感染源，英国牛津大学的传染病建模专家莫里茨·克雷默说。这可能是因为使用接触者追踪数据很难确定感染源。克雷默说，尽管该模型对城市总体感染率的预测已通过真实世界数据验证，但仍需要更详细的接触者追踪数据来测试该模型是否正确识别了感染的实际位置。
莱斯科韦茨说，所有模型都有一定的误差。但他补充说，由于它的许多预测与观察数据相符，因此没有理由认为它在较小规模上不起作用。
弗格森说，如果发现该模型能够准确预测访问特定地点的风险，卫生官员可以使用它来微调社交距离政策。
本文经许可转载，并于 2020 年 11 月 10 日首次发表。