Según un nuevo estudio realizado por investigadores de Penn State, el movimiento por la ciudad predijo casos de COVID-19 en el condado de Center, Pensilvania, durante las órdenes iniciales de confinamiento y restricciones posteriores fases en 2020. Los investigadores utilizaron datos de teléfonos móviles y cámaras de tráfico, como la que apunta a Park Ave cerca del arboreto de Penn State que se muestra aquí, para aproximar el movimiento. Crédito: Penn State
La cantidad de gente que se movía por la ciudad predijo los casos de COVID-19 en un condado rural de Pensilvania en 2020, según un nuevo estudio realizado por investigadores de Penn State. Los investigadores aproximaron el movimiento durante las órdenes iniciales de quedarse en casa y las fases restringidas posteriores mediante el uso de datos de cámaras de tráfico y dispositivos móviles. Confirmaron que los aumentos en el movimiento precedieron a los aumentos en los casos de COVID-19 en el condado de Center, Pensilvania. Los resultados también revelaron el cumplimiento general de las regulaciones locales y sugieren que este tipo de datos de vigilancia pasiva podrían usarse para monitorear y mejorar las pautas de intervención conductual para el manejo de brotes.
«Con el surgimiento del brote de COVID-19 en 2019, los gobiernos locales inicialmente se basaron en gran medida en intervenciones conductuales como órdenes de quedarse en casa para limitar la transmisión», dijo Christina Faust, investigadora postdoctoral en Penn State y primera autora de El estudio. «Saber si las personas están dispuestas a seguir este tipo de intervenciones, y si estas intervenciones hacen lo que se espera que hagan, es importante para la planificación de futuros brotes».
Los investigadores calcularon el movimiento de marzo a agosto de 2020 en Center County, Pensilvania, que alberga el campus de University Park de Penn State, durante un período en el que los estudiantes universitarios no residían principalmente en la zona. Este período abarcó las restricciones más estrictas del condado, incluida una fase roja de 40 días que involucró una orden de quedarse en casa, excepto para negocios y actividades de soporte vital; una fase amarilla de 20 días que enfatizó el trabajo y la enseñanza remotos y una preferencia por el comercio minorista en la acera; y los 78 días iniciales de una fase verde que exigía una capacidad reducida en las empresas locales, el uso de mascarillas en público y pautas para la reapertura de empresas adicionales.
«Evaluar el impacto de las estrategias de intervención es especialmente importante en las áreas rurales , donde el acceso a la atención médica a menudo es limitado y carece de recursos», dijo Nita Bharti, profesora de biología de Lloyd Huck Early Career en Penn State y autora principal del artículo. «Las áreas rurales tienen una capacidad de atención médica limitada y luchan por manejar la gran cantidad de pacientes que esperamos ver durante brotes como este. Las estrategias preventivas para limitar la transmisión son fundamentales».
El equipo de investigación utilizó dos fuentes de datos como proxies para el movimiento. Recolectaron imágenes en tiempo real de 19 cámaras de tránsito de todo el condado, incluidas carreteras «de conexión» que brindan enlaces entre pueblos y carreteras «internas» que miden el movimiento dentro de los pueblos. También estudiaron datos de ubicación anónimos de dispositivos móviles de la empresa SafeGraph, que capturaron visitas a más de dos mil puntos de interés en todo el condado, incluidos supermercados, cafeterías, gasolineras y ubicaciones en el campus de Penn State. El equipo comparó el número de visitas móviles registradas en el verano de 2020 con el verano anterior a la pandemia de 2019 para identificar las diferencias debidas a las intervenciones conductuales. Sus resultados aparecen en un artículo publicado en la revista Epidemiology & Infection.
El equipo de investigación descubrió que, al pasar de la fase roja a la amarilla y especialmente de la fase amarilla a la verde, el volumen de tráfico aumentó tanto en el interior como en el conector. carreteras. Aunque el número de visitas a los puntos de interés locales fue significativamente menor que el número de visitas de 2019, aumentó a medida que se levantaron las restricciones.
«Durante las fases más estrictas, el movimiento fue principalmente interno, que es lo que esperaríamos ver para reducir las oportunidades de transmisión entre pueblos», dijo Faust. «A medida que disminuyeron las restricciones, vimos mucho más tráfico, particularmente en las carreteras de conexión, y más visitas móviles a los puntos de interés, lo que en conjunto sugiere el cumplimiento general de estas estrategias de intervención. Lo que es particularmente tranquilizador es que, a pesar de que los cambios en las regulaciones de fase fueron anunciado 10 días antes de que se implementaran, no vimos un cambio en el movimiento hasta que la nueva fase entró en vigencia».
Los casos informados de COVID-19 en el condado estaban relacionados con el movimiento recopilado de ambas fuentes de datos , con un retraso de 9 a 18 días según el tipo de datos. Los investigadores creen que este retraso incluye el tiempo de incubación del virus cuando una persona está infectada pero es posible que aún no muestre síntomas, así como en algunos casos retrasos considerables para acceder a una prueba y recibir los resultados.
«Aumenta el movimiento de manera confiable aumentos precedidos en los casos de COVID-19 durante el período de estudio», dijo Faust. «Estos resultados sugieren que el tráfico de vehículos y los datos de visitas móviles podrían usarse en tiempo real para monitorear el brote. Por ejemplo, si hay un aumento en el movimiento, los gobiernos locales podrían reforzar los mensajes y prepararse para asignar recursos para la atención médica a personas de alto movimiento». áreas».
Los investigadores señalan la importancia de utilizar múltiples tipos de datos; las fuentes de datos individuales pueden medir diferentes tipos de comportamientos y reflejar ciertos subconjuntos de una población. Por ejemplo, creen que los datos del vehículo pueden representar a los residentes permanentes, mientras que las visitas móviles pueden reflejar mejor a los estudiantes. Si bien las áreas urbanas pueden tener más fuentes de datos disponibles, este estudio demuestra que la combinación de las fuentes de datos existentes en las áreas rurales, el tráfico de vehículos y los datos móviles, brindan información importante.
«Las áreas rurales generalmente experimentaron introducciones tardías del virus y brotes tardíos , pero las regulaciones estatales se basaron en gran medida en brotes en áreas urbanas, donde ocurrió la mayor parte de los casos», dijo Bharti. «La supervisión local, cuando se combina con la respuesta y el socorro federal y estatal, puede servir de manera más efectiva a los esfuerzos de respuesta, gestión y planificación de brotes. Aquí mostramos que medir los movimientos de la población local a través de enfoques pasivos puede ayudar a evaluar la eficacia de las estrategias de intervención e informar las políticas que prevención de la transmisión de objetivos».
Explore más
Evaluación de la respuesta local a la pandemia de COVID-19 Más información: Christina L. Faust et al, La vigilancia pasiva evalúa el cumplimiento de las restricciones de comportamiento de COVID-19 en un condado rural de EE. UU. , Epidemiología e Infección (2021). DOI: 10.1017/S0950268821002107 Proporcionado por la Universidad Estatal de Pensilvania Cita: Los datos de tráfico y teléfonos móviles predicen el recuento de casos de COVID en la zona rural de Pensilvania (25 de octubre de 2021) consultado el 29 de agosto de 2022 en https://medicalxpress.com/ news/2021-10-traffic-mobile-covid-case-rural.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.