Impact of close interpersonal contact on COVID-19 incidence: Evidence from 1 year of mobile device data.
Impact of close interpersonal contact on COVID-19 incidence: Evidence from 1 year of mobile device data.
复制标题
DOI：
10.1126/sciadv.abi5499
复制
发表时间：
2022-01-07
期刊：
影响因子：
13.6
通讯作者：
Morozova O
中科院分区：
文献类型：
--
作者：
Crawford FW;Jones SA;Cartter M;Dean SG;Warren JL;Li ZR;Barbieri J;Campbell J;Kenney P;Valleau T;Morozova O
使用移动设备位置数据测量的密切人际接触解释了康涅狄格州COVID-19传播的动态。人与人之间的密切接触是导致2019冠状病毒病（COVID-19）的病毒SARS-CoV-2的主要传播途径。我们使用移动设备的地理定位数据量化了人口水平上的人际接触。我们计算了2020年2月至2021年1月期间康涅狄格州人们之间（6英尺内）的接触频率，并按居住地区汇总了接触事件的计数。当将接触率纳入COVID-19传播的seir型模型时，可以准确预测康涅狄格州城镇的COVID-19病例。康涅狄格州的接触解释了3月至4月期间感染的最初浪潮，6月至8月期间病例下降，8月至9月期间局部爆发，9月至12月期间全州范围内的复苏，以及2021年1月的下降。与其他流动性指标相比，使用接触率的传播模型更符合COVID-19的传播动态。接触率数据有助于指导保持社交距离和检测资源分配。
Close interpersonal contact measured using mobile device location data explains dynamics of COVID-19 transmission in Connecticut. Close contact between people is the primary route for transmission of SARS-CoV-2, the virus that causes coronavirus disease 2019 (COVID-19). We quantified interpersonal contact at the population level using mobile device geolocation data. We computed the frequency of contact (within 6 feet) between people in Connecticut during February 2020 to January 2021 and aggregated counts of contact events by area of residence. When incorporated into a SEIR-type model of COVID-19 transmission, the contact rate accurately predicted COVID-19 cases in Connecticut towns. Contact in Connecticut explains the initial wave of infections during March to April, the drop in cases during June to August, local outbreaks during August to September, broad statewide resurgence during September to December, and decline in January 2021. The transmission model fits COVID-19 transmission dynamics better using the contact rate than other mobility metrics. Contact rate data can help guide social distancing and testing resource allocation.
登录
查看更多内容
影响因子：
29.9
作者：
Aleta A;Martín-Corral D;Pastore Y Piontti A;Ajelli M;Litvinova M;Chinazzi M;Dean NE;Halloran ME;Longini IM Jr;Merler S;Pentland A;Vespignani A;Moro E;Moreno Y
通讯作者：
Moreno Y
来自COVID-19的关键流行病学参数的统计和数学建模的早期见解。
影响因子：
11.8
作者：
Biggerstaff M;Cowling BJ;Cucunubá ZM;Dinh L;Ferguson NM;Gao H;Hill V;Imai N;Johansson MA;Kada S;Morgan O;Pastore Y Piontti A;Polonsky JA;Prasad PV;Quandelacy TM;Rambaut A;Tappero JW;Vandemaele KA;Vespignani A;Warmbrod KL;Wong JY;WHO COVID-19 Modelling Parameters Group
通讯作者：
WHO COVID-19 Modelling Parameters Group
影响因子：
56.3
作者：
Badr, Hamada S.;Du, Hongru;Gardner, Lauren M.
通讯作者：
Gardner, Lauren M.
影响因子：
9.8
作者：
Carteni, Armando;Francesco, Luigi Di;Martino, Maria
通讯作者：
Martino, Maria
影响因子：
15.8
作者：
Buitrago-Garcia D;Egli-Gany D;Counotte MJ;Hossmann S;Imeri H;Ipekci AM;Salanti G;Low N
通讯作者：
Low N