條文本
PDF
文摘
目標調查季節周期的假說,受氣候、傳染病死灰複燃的COVID-19在2020年2月- 2021年12月。
設計一項觀察性研究的30個國家來自不同的地域和氣候。對於每一個國家,一個傅裏葉光譜分析進行的係列日常SARS-CoV-2感染,尋找頻譜的峰值,對應於給定長度的反複循環。
設置公共數據的日常SARS-CoV-2感染來自30個不同的國家和五大洲。
參與者隻有公開數據被利用在這項研究中,患者和/或公眾沒有參與這項研究的任何階段。
結果所有的30個調查國家已經看到了至少一個複發COVID-19波,重複在一段在3 - 9個月,峰值的大小至少一半一樣大的最高峰以來經曆過的大流行,直到2021年12月。兩者之間的距離天最高山峰在每個國家,然後計算平均30個國家,收益率平均190天(SD 100)。這表明周期性爆發可能重複周期的不同長度,沒有精確預測季節性的1年。
結論我們的研究表明,COVID-19暴發可能發生在世界範圍內,循環重複的變量長度。30個不同國家的傅裏葉分析沒有發現證據支持一個季節性的,反複出現在1年期間,單獨或與一個固定周期性。
- COVID-19
- 公共衛生
- 流行病學
- 傳染病
數據可用性聲明
數據在公共、開放訪問存儲庫。本研究的數據都可以在公共、開放獲取存儲庫(https://github.com/owid/covid-19-data)。說明如何使用這些數據是可用的:https://github.com/owid/covid-19-data/blob/master/public/data/README.md。DFT代碼可在:https://github.com/mister-magpie/covid_periodicity。峰的Python代碼搜索算法可在:https://github.com/riccardocappi/Seasonality-SARS-CoV-2)。
這是一個開放的分布式條依照創作共用署名非商業性(4.0 CC通過數控)許可證,允許別人分發,混音,適應,建立這個工作非商業化,和許可他們的衍生產品在不同的協議,提供了最初的工作是正確地引用,給出合適的信用,任何更改表示,非商業使用。看到的:http://creativecommons.org/licenses/by-nc/4.0/。
來自Altmetric.com的統計
本研究的優點和局限性
使用離散傅裏葉變換的優勢提供了時間序列的時序分解每日SARS-COV-2情況下允許探索顳周期性爆發之間的關係。
應用離散傅裏葉變換是一個適當的方法問題的假設季節性COVID-19結構假設一年長期的基礎上反複出現。
這個觀察研究避免了問題量化作用歸因於各種氣候因素或控製措施,如溫度或接種疫苗。
每日SARS-CoV-2情況下的時間序列是不正常或糾正,不包括疫情始於2021年12月。
傅裏葉不確定性原理可能使我們實現了在低頻率的結果有點不確定隻有2年的數據的可用性。
介紹
經過近2年的開始COVID-19大流行,科學界仍然是爭論的許多特征,這種病毒及其傳播,以及什麼是最好的行動對抗。1 2盡管公眾可能會發現這個缺乏共識令人沮喪,每一個科學家都知道這是可以預料到的在處理這種前所未有的現象,特別是考慮到巨大的不確定性問題的數據。每一個分析,試圖利用信息在全球範圍內,事實上,不得不處理的限製很大程度上不均勻的數據集,不同的數據收集過程,更重要的是,在每個國家采取行動導致混淆的因素被研究。3
在這個複雜的背景下,在2021年底,當病毒已經存在了將近2年,討論開始的可能性COVID-19季節性模式,類似於其他病毒感染,比如麻疹和流感。這個想法蔓延的勢頭可能是因為消退在夏天在許多西方國家,開始爬回了秋天的開始,最後達到一個新的高峰在冬季假期。
從科學的角度來看,討論感染模式,推動了重複一年段數分析調查SARS-COV-2之間的相關性和各種氣候和環境因素,如溫度、濕度和紫外線輻射。這項研究背後的基本原理是,如果SARS-COV-2之間的負相關和更高的溫度和紫外線輻射暴露水平可以證明,然後降低COVID-19感染率應該發生在一些特定的季節。濕度,相反,似乎有一個u型關係SARS-CoV-2感染率,徘徊隻值50%似乎縮短了病毒的生活。
沿著這條線的研究,顯著的研究D中保等誰用多元回歸評估溫度和接種疫苗對死亡率的影響在氣候溫和的國家。他們找到了一個負相關,溫度,發現疫苗接種的影響變得更大的溫度降低。4同樣,馬等研究問題在美國使用普遍添加劑混合模型。他們的發現與COVID-19溫度是負相關,在一個幾乎線性的方式,在20°C-40°C。5
然而,其他一些研究開始指出許多上述研究的弱點。例如,原始的等在研究病毒之間的負相關,更高的溫度和濕度,發現有時刻這種相關性可以倒置,通常對應於夏天在某些地區爆發。6作者認為這可能是由於各種人類活動接管時,像密集使用空調,缺乏預防措施和不受控製的大規模集會。此外,血清等表達了他們的擔憂,認為天氣的影響,而現在,相比可以忽略不計的決定性控製幹預措施的影響。7更有趣的是,貝克等認為,氣候因素可以扮演一個重要的因素在感染病毒的流行舞台。相比之下,在大流行階段,隻有適度調整。8最後,也很鼓舞人心的理論結果實現的一項研究告訴等它已經表明,多種因素,包括氣候、控製政策和城市空間的使用可能會影響COVID-19的季節性。9
除了這些科學研究,積極影響的好天氣似乎與幾個COVID-19爆發傳染病,具有廣泛的影響,即使在不利的氣候條件下病毒的傳播。例如,雖然這是完全的,可以想知道背後的機製是複蘇的蔓延在以色列2020年5月。10同樣,2021年奧運會在日本發生在夏季的天氣最優時,但是病毒傳播,即使在高安全標準的存在。11在同一時期,歐洲足球錦標賽,這比賽是與增加許多涉及國家的新病例。12不是說關於2021年7月4日,美國總統的演講中,當美國總統宣布的最後成功擊敗了大流行,但一項新的峰值達到強烈的幾周後。13最後,第三次浪潮在歐洲開始的2021年夏季在許多東方國家,當氣溫仍相對較高。
這種科學辯論後,在這個工作中,我們選擇了另一個技術角度來研究1年季節性假說,采用信號處理技術來研究證據的存在對周期性COVID-19周期性的爆發,或缺乏。依靠每日SARS-CoV-2感染的傅裏葉光譜分析數據,在全球層麵上,我們尋找峰值頻譜,可以通知我們關於COVID-19暴發的複發周期的長度。這使得我們質疑的正弦季節性假定在1年內複發,完全。
方法
我們我們的研究集中於一個廣泛的全球國家的選擇,選擇後Koppen氣候分類。14這種分類的氣候分為五個主要組,每一組被認為是基於季節性降水和溫度。五個主要團體有:熱帶(A)、(B)幹,溫帶(C), (D)和極地大陸(E),分析了30個不同的國家,覆蓋所有的五個組,與所選的幾個國家屬於兩個或兩個以上的團體,鑒於其巨大的地理位置(例如,印度、俄羅斯和美國,引用一些)。下麵的30個國家遵循的完整列表,每個都有其普遍的氣候類型:阿根廷(B, C),澳大利亞(A, B, C),奧地利(D, E)、比利時(C)、巴西(A, C)、加拿大(C, D, E)、智利(B, C, D)、哥倫比亞(A, C)、克羅地亞(C)、丹麥(D)、法國(C)、德國(C, D),匈牙利(D)、印度(A, B, C, D)、印度尼西亞(A),意大利(B, C),日本(A、C、D),墨西哥(A, B, C),摩洛哥(B, C)、挪威(D, E)、葡萄牙(C)、俄羅斯(D, E)、沙特阿拉伯(B)、南非(B, C),韓國(C, D),西班牙(B, C)、瑞典(D, E)、土耳其(B, C, D),英國(C)和美國(B, C, D, E)。
請注意,我們的選擇包括18的20國集團(g20)的20個國家。中國被排除在名單之外。僅僅因為其SARS-COV-2數據不定期提供。此外,歐盟(EU)被認為是不能作為一個整體的。然而,在歐盟,我們包含了以下歐盟成員國:奧地利、比利時、克羅地亞、丹麥、法國、德國、匈牙利、意大利、葡萄牙、西班牙和瑞典。觀察期間對我們的研究開始於2020年2月1日到2021年12月4日,與決定不考慮襲擊歐洲的強勁SARS-CoV-2爆發,2021年12月,這一波的發展仍持續在許多調查的國家在我們的分析。
我們采用的調查方法是傅裏葉頻譜分析。特別是,我們用離散傅裏葉變換(DFT)檢查時間長度的頻譜COVID-19數據,通過將時間序列號碼的新每日SARS-CoV-2頻域。15傅裏葉頻譜分析與精確的意圖獲得轉換光譜峰值,表明大流行的強度和複發。特別是,我們尋找峰值頻譜可以合理地表明一定長度的周期性。采用光譜分析的時間序列COVID-19情況下使得我們理解,模棱兩可,周期性爆發的周期長度,而不是計算和觀察感染的數量,直接。
一維DFT y [k]的長度N,序列的長度N x [N],定義如下:
y [k]對應於k頻率的大小和n表示時間序列的第n個天,x是每日SARS-COV-2病例注冊n係列的一天。分析了天的數量(即采樣周期)= 730(2年)。由於我們研究的真正的觀察開始於2020年2月1日(直到2021年12月24日),字符串x是留給墊0到730個樣本。這個補零以來沒有改變操作的有效性在所有認為國家沒有SARS-COV-2感染2020年2月1日之前注冊。最後,使用Python庫SciPy(https://scipy.org/),我們進行了時間序列的DFT SARS-COV-2每個國家的數據,返回所有的頻譜峰值對應的頻率,可以倒獲取重複周期。
注意到所有的數據用於我們的DFT調查可以在以下網站https://github.com/owid/covid-19-data,說明如何使用可用:https://github.com/owid/covid-19-data/blob/master/public/data/README.md。所有的DFT計算結果完全重複使用上麵描述的方法。DFT代碼可以下載:https://github.com/mister-magpie/covid_periodicity。最後值得一提的是,所有提到的數據COVID-19感染(OWID)是由約翰·霍普金斯大學係統科學與工程中心。16
病人和公眾參與
病人和/或公眾沒有參與設計,或行為,或報告或傳播本研究計劃。
結果
數字1 - 5顯示了FTs獲得所有國家的主題我們的研究中,使用兩個單獨的塊。對於每一個國家,最左邊的情節報告新的每日SARS-COV-2感染的時間序列觀察期間(2020年2月1日- 2021年12月24日);最右邊的圖顯示了傅裏葉變換的結果應用於時間序列的最左邊的陰謀。
情節為阿根廷、澳大利亞、奧地利、比利時、巴西和加拿大。左邊的情節:軸日常SARS-CoV-2新病例數在2020年2月1日- 2021年12月24日(軸)。最右邊的情節:傅裏葉頻譜軸,用點躺在波的峰值對應的紅線。有色行業顯示精確的重複周期:粉色(9 - 12個月),綠色(6 - 9個月),橙色(3 - 6個月)。x軸上的k指數最右邊的圖顯示重複頻率的半對數的規模(一年時間)。
相同的情節圖1但對於智利、哥倫比亞、克羅地亞、丹麥、法國和德國。
相同的情節圖1但對匈牙利、印度、印度尼西亞、意大利、日本和墨西哥。
相同的情節圖1但對摩洛哥、挪威、葡萄牙、俄羅斯、沙特阿拉伯和南非。
相同的情節圖1但對韓國、西班牙、瑞典、土耳其、英國和美國。
在所有最左邊的情節,x [n] COVID-19感興趣的數據係列,其中x是每個每天每天新發感染的數量n。最右邊的塊數字1 - 5描述,在軸,傅裏葉頻譜。這個頻譜包括與連接的端點,紅線代表COVID-19峰值。每個峰都是描繪它的大小(軸)和其相應的頻率k在x軸上,基礎,反過來,在半對數的年度規模。兩個初步的事實是值得注意的。首先,我們可以觀察頻譜的峰值代表7天的周期與報告過程中,所有這些最右邊的一邊DFT的情節。這是一個相當預期,自報告過程導致一個振蕩周期間,在幾乎所有的國家。顯然,這峰反複52次DFT情節(k = 52), 52周的數量在1年。第二,我們觀察通常最高震級最高的對麵我們所有的DFT頻譜圖(最左邊的)。這個峰值的意思很簡單:每年COVID-19現象發生,在2年的觀察,在所有國家的利益。自然,它的重複周期等於1 (k = 1)。
更有趣的是,在最左邊的DFT塊數字1 - 5,我們有三個不同行業的橙色,綠色和粉紅色(從右到左)。這些領域顯示時間間隔分別等於3 - 6個月(橙色),6 - 9個月(綠色)和9 - 12個月(粉色)。他們應該解釋如下:如果一個人對某個國家的觀察存在峰值在給定有色行業的情節(例如說綠色的),這意味著國家遭受COVID-19爆發,已與6 - 9個月內複發。更準確地說,如果這峰位於軸對應值k = 2,這意味著我們已經有兩個在該國每年類似規模的暴發。現在我們的結果,我們的DFT 30塊數字1 - 5透露,在觀察期間,所有的30個調查國家已經看到了至少一個複發COVID-19波,重複變量一段在3 - 9個月,峰值的大小(大致相當於新感染的人數)至少一半高達最高峰經曆過的大流行以來,直到2021年12月。這些發現表明,強大的COVID-19疫情可能重複周期的不同長度,沒有精確預測季節性的1年。
鑒於眾所周知的傅裏葉不確定性原理,17我們開發了一個進一步分析。我們回到最左邊的塊數字1 - 5,尋找COVID-19山峰,反複出現在每一個國家,但采用傳統技術。具體地說,使用7天移動平均左邊的塊的原始數據數字1 - 5現在每周周期性,由於COVID-19測試的方式進行注冊,我們考慮峰值發生在某一天n,如果那天注冊SARS-COV-2感染人數超過每日SARS-COV-2病例報道的數量在28天不僅前後n。,但被認為是一個高峰,感染注冊那天n的數量必須大於給定的閾值計算的85%的平均每日病例報道,大流行以來,直到n。選擇28天來自波的工作定義中提供參考,18的三個季度上升時期的許多研究COVID-19波持續了不到一個月。同樣,下降時間。背後的基本原理的概念有一個閾值來了,相反,從需要過濾掉所有micropeaks。最後,在計算每個國家的所有峰值期間的利息,我們選擇了兩個最高的。然後,我們計算對於每一次這樣的兩天他們之間的距離(這個簡單的Python代碼算法可以從下載:https://github.com/riccardocappi/Seasonality-SARS-CoV-2)。表1報告相應的結果。
精確,山峰,兩者之間的距離在幾天內最高的為每個國家和相應的日期。有趣的是注意到,如果我們平均,在30個國家,兩者之間的時間距離的值最高的山峰,得到平均190天(SD 100)。換句話說,我們得到一個確認我們所有的30個國家複發的高峰,近6個月的平均周期和SD近3個月。此外,80%的國家檢查(最大)時間距離低於1年的價值。即使我們隻限製這一分析數據集的13個歐洲國家:奧地利、比利時、克羅地亞、丹麥、法國、德國、匈牙利、意大利、挪威、葡萄牙、西班牙、瑞典和英國,我們幾乎達到平均五個山峰在2年時間內,與最高的兩個接口之間的平均距離等於171天(85年SD),再次證實假設強勁COVID-19波可能重複周期的持續時間1年的季節性模式。
表1還報告,為每個注冊高峰,病毒的變異可以被認為是普遍的時候對應的爆發。特別是個別化每個峰的變體有關,我們利用,每個國家和每個時期,收集兩個序列的總數的比例隨著時間的推移,落入一些給定的變量組和相應的係統發育樹。這些數據外推,分別由兩個倡議如下:Covariants.org(具體地說,https://covariants.org/per-country)19和Nextstrain.org(特別是https://nextstrain.org/ncov/gisaid/global)。20.值得注意的是,這些行動都是通過數據共享的GISAID.org項目21收集所有COVID-19的基因組序列,全世界。雖然肯定感興趣的峰值之間的關係和收集到的序列的頻率在給定的爆發,它應該考慮信息演化支,描繪表1,不能總是認為一定代表。動機是基因組抽樣可能不是平等的在不同的國家和時期,與較低的一些國家排序數字,甚至一些樣品比其他人更有可能被測序。值得總結,指出每一個提到的變體表1已被確定基於上述基因組測序計劃提出的傳統名稱(例如,Covariants.org和Nextstrain.org)。從本質上講,每個變量的名稱是由一個兩位數,表示,進步的字母的字母,再加上一封來自世衛組織提供的希臘字母(如21 jδ)。
討論
季節性通常指的是一個單一的、重複出現的模式,一個固定的頻率。突顯出我們所取得的成績,COVID-19,季節性模式的強有力的證據重複1年期固定一段時間無法找到。相反,一些重複爆發,不一定發生在一個固定的頻率,可以觀察到。特別是時間序列的傅裏葉頻譜分析的SARS-CoV-2情況下所有的30個國家我們有複發的研究揭示了至少一個COVID-19波(通常是兩個或兩個以上),重複在一個變量期間,範圍在3 - 9個月,峰值的大小與高峰經曆過的大流行以來,直到2021年12月。事實上,比先前的研究已經顯示情況要複雜得多。事實上,雖然他們中的一些人認為COVID-19季節性低溫感染的確切作用溫度、濕度和紫外線輻射博覽會仍然知之甚少。從這個角度來看,我們的研究試圖跟隨另一個路徑與光譜分析每日SARS-CoV-2係列的情況下,在尋找峰值頻譜的理解存在的重複周期和量化他們的長度。
我們認識到,我們的分析,我們避免了量化的作用歸因於各種氣候因素和控製措施,如溫度或疫苗接種。這可以被視為一個限製我們的研究這些因素的影響的大小應該徹底調查。然而,有精確的背後動機的選擇。一邊,我們決定以避免參加科學討論氣候的主導作用和控製措施,包括疫苗接種,因為最好的解決方案,可以驅動大量流行的變化軌跡。另一方麵,我們試圖觀察自然現象,隻是訴諸一個數學技術能夠檢測存在的證據對周期性/ non-periodicity COVID-19的傳播,中立,不管潛在因素。另一個因素可能會影響季節性是如何生活和相應的城市空間對病毒的傳播模式的影響。9雖然我們認識到,這個因素是重要的,類似與氣候和政策,我們承認我們沒有在這個研究解決這個問題。
另一個技術限製我們的方法是決定不將特別關注這些國家,病例數已高可變性,原因是最有可能測試的數量做每天可以有多種多樣。我們可以正常的情況下的測試,讓他們DFT之前,但這數據往往是不可靠的,可能導致不切實際的正常價值,所以我們決定去避免這種情況。額外的技術限製本研究是傅裏葉變換可能返回的結果,特別是在最低的頻率,一個變量的不確定性。因此,確認我們的結果,我們已經開發出一種並行分析直接執行的數量感興趣的新的每日SARS-COV-2病例。或者,我們可以進行光譜分析流行病學與小波時間序列。這些技術顯得有些有吸引力,因為他們更適合處理非平穩信號,但仍然不得不麵對這一事實所代表的自然限製大流行已經進展到目前為止,我們隻有一個2年的數據集。更不用說強烈的被排除在我們的研究SARS-CoV-2爆發2021年12月開始在許多30認為國家。這種排斥的動機是這波的發展仍然是目前正在進行的研究。
結論
我們已經從信號處理應用數學技術調查在30個不同國家,假設是否COVID-19暴發重複固定周期性或發生不可預測的模式。的時間序列的傅裏葉頻譜分析SARS-CoV-2情況下我們有檢查表明,強勁COVID-19波可能重複周期的不同長度,沒有精確預測周期性(1年或類似)。與科學界出現分為兩個派別,這或者維護的重要性,氣象因素的作用和控製措施(包括疫苗),我們認為我們提供了一種改進的理解病毒如何傳播,無論幾個因素的存在,可以進一步混淆的場景。
數據可用性聲明
數據在公共、開放訪問存儲庫。本研究的數據都可以在公共、開放獲取存儲庫(https://github.com/owid/covid-19-data)。說明如何使用這些數據是可用的:https://github.com/owid/covid-19-data/blob/master/public/data/README.md。DFT代碼可在:https://github.com/mister-magpie/covid_periodicity。峰的Python代碼搜索算法可在:https://github.com/riccardocappi/Seasonality-SARS-CoV-2)。
倫理語句
病人同意出版
倫理批準
不適用。
引用
腳注
貢獻者RC, DT, LC和先生同樣導致懷孕,設計,編寫,管理和修改手稿。先生作為本研究的擔保人。
資金作者並沒有宣布具體資助這項研究從任何公共資助機構,商業或非營利部門。
相互競爭的利益沒有宣布。
病人和公眾參與病人和/或公眾沒有參與設計,或行為,或報告或傳播本研究計劃。
出處和同行評議不是委托;外部同行評議。