Google Translate Widget by Infofru

Author Site Reviewresults

7.11.21 Nová štúdia poskytuje silný dôkaz, že COVID-19 je sezónna infekcia(chrípka)

VKontakte

Sme veľmi zvedaví na našich takzvaných mediálnych odborníkov....heh

Pomocou štatistickej metódy určenej na detekciu prechodných asociácií, ako aj matematického modelu, výskum ukazuje, že klíma hrala dôležitú úlohu pri modulácii prenosu vírusu počas pandemických vĺn na oboch hemisférach.

Nová štúdia vedená Barcelonským inštitútom pre globálne zdravie (ISGlobal), centrom podporovaným nadáciou „la Caixa“, poskytuje spoľahlivé dôkazy, že COVID-19 je sezónna infekcia spojená s nízkou teplotou a vlhkosťou , podobne ako sezónna chrípka. Výsledky publikované v Nature Computational Science tiež podčiarkujú značný prínos aerosólového prenosu a potrebu opatrení na podporu „hygieny vzduchu“.

Kľúčovou otázkou v súvislosti so SARS-CoV-2 je, či sa správa alebo bude správať ako sezónny vírus podobný vírusu chrípky, alebo bude prenášaný s rovnakou intenzitou počas celého roka. Prvá štúdia s teoretickými modelmi naznačujú, že klíma nie je dôležitým faktorom , vzhľadom k veľkému počtu citlivých ľudí bez predchádzajúceho imunitu proti vírusu. Niektoré počiatočné pozorovania však naznačovali, že k šíreniu vírusu v Číne došlo v zemepisnej šírke medzi 30 a 50 alebo severnej šírke , s nízkou úrovňou vlhkosti a teploty (medzi 5 °  a 11 ° C).

„Otázka, či je COVID-19 skutočne sezónnym ochorením, sa stáva čoraz dôležitejšou s dôsledkami na implementáciu účinných intervencií,“ vysvetľuje Xavier Rodó , riaditeľ programu ISGlobal Climate and Health  a koordinátor štúdie. Na zodpovedanie tejto otázky on a jeho tím najprv analyzovali súvislosť medzi teplotou a vlhkosťou v ranej fáze šírenia vírusu v 162 krajinách na piatich kontinentoch predtým, ako boli implementované zmeny v zdravotnej politike a správaní. Výsledky ukazujú negatívnu koreláciu medzi prenosovou rýchlosťou (Ro) a globálnou teplotou a vlhkosťou: vyššie prenosové rýchlosti súviseli s nižšími teplotami a vlhkosťou..

Po druhé, tím analyzoval vývoj tohto spojenia medzi klímou a chorobou v priebehu času a či bol konzistentný v rôznych geografických mierkach. Na tento účel použili štatistickú metódu, ktorá bola špeciálne navrhnutá na identifikáciu podobných vzorcov variácií (t. j. nástroj na rozpoznávanie vzorov) v rôznych časových oknách. Opäť zistili silnú negatívnu súvislosť pre malé časové okná medzi počtom prípadov a klímou (teplota a vlhkosť), s konzistentnými vzormi počas prvej, druhej a tretej vlny pandémie a v rôznych priestorových mierkach : globálne, podľa krajiny, podľa regióny v silne postihnutých krajinách (Lombardia, Thüringen, Katalánsko) a dokonca aj na úrovni miest (Barcelona).

Prvé pandemické vlny ubúdali so zvyšujúcou sa teplotou a vlhkosťou a druhá vlna stúpala s klesajúcou teplotou a vlhkosťou. Tento model sa však počas leta porušil na všetkých kontinentoch . "Môže to byť spôsobené niekoľkými faktormi, vrátane masívnej koncentrácie mladých ľudí, cestovného ruchu a klimatizácie, okrem iného," vysvetľuje Alejandro Fontal, výskumník ISGlobal a prvý autor štúdie.

Keď bol model prispôsobený na analýzu prechodných korelácií vo všetkých mierkach v krajinách južnej pologule, kam vírus dorazil neskôr, bola pozorovaná rovnaká negatívna korelácia. Tieto účinky klímy boli evidentnejšie pri teplotách medzi 12º  a 18ºC a vlhkosti úrovňou medzi 4 a 12 g / m 3 , hoci výskumný tím upozorňuje, že sa jedná o orientačné rozsahy, vzhľadom na obmedzený čas záznamov.

Nakoniec, pomocou epidemiologického modelu štúdia ukazuje, že začlenenie teploty do prenosovej rýchlosti najlepšie funguje na predpovedanie vzostupu a pádu rôznych vĺn , najmä prvej a tretej v Európe. „Súbor našich výsledkov podporuje myšlienku, že COVID-19 je skutočne sezónna infekcia, podobná chrípke a iným koronavírusom bežnej nádchy,“ hovorí Rodó.

Táto sezónnosť by mohla významne prispieť k prenosu SARS-CoV-2, pretože podmienky nízkej vlhkosti znižujú veľkosť aerosólov, a preto zvyšujú vzduchom prenášané sezónne vírusy, ako je chrípka. „Toto združenie ospravedlňuje klásť  dôraz na „hygienu vzduchu“ prostredníctvom lepšieho vetrania vnútorných priestorov , keďže aerosóly môžu zostať vo vzduchu dlhšie,“ hovorí Rodó, ktorý zdôrazňuje potrebu zahrnúť meteorologické parametre do plánovania a hodnotenia kontrolných opatrení.

Odkaz

Fontal A, Bouma MJ, San José A, Lopez L, Pascual M, Rodó X. Klimatické podpisy v rôznych pandemických vlnách COVID-19 na oboch hemisférach. Príroda Comput Sci . 2021. https://doi.org/10.1038/s43588-021-00136-6 .

Prírodná výpočtová veda

Klimatické podpisy v rôznych pandemických vlnách COVID-19 na oboch hemisférach

Abstraktné

Úloha klímy a skutočné sezónne znaky v epidemiológii vznikajúcich patogénov, a najmä SARS-CoV-2, sú stále nedostatočne pochopené. So štatistickou metódou určenou na detekciu prechodných asociácií ukazujeme v prípade COVID-19 silné konzistentné negatívne účinky teploty aj absolútnej vlhkosti vo veľkých priestorových mierkach. Pri jemnejších priestorových rozlíšeniach zdôvodňujeme tieto súvislosti počas sezónneho vzostupu a pádu COVID-19. Silné reakcie na choroby sú identifikované v prvých dvoch vlnách, čo naznačuje jasné rozsahy teploty a absolútnej vlhkosti, ktoré sú podobné tým, ktoré boli predtým opísané pre sezónnu chrípku. Pre COVID-19 vo všetkých študovaných regiónoch a pandemických vlnách, Procesný model, ktorý zahŕňa prenosovú rýchlosť závislú od teploty, prevyšuje základné formulácie bez hnacej sily alebo sínusovej sezónnosti. Naše doterajšie výsledky klasifikujú COVID-19 ako sezónnu nízkoteplotnú infekciu a naznačujú dôležitý príspevok vzdušnej cesty pri prenose SARS-CoV-2 s dôsledkami pre kontrolné opatrenia, o ktorých diskutujeme.

Hlavná

Vzhľadom na periodické pandémie chrípky v dvadsiatom storočí – takzvaná španielska chrípka v roku 1918, ázijská chrípka v roku 1957 a hongkonská chrípka v roku 1968 – sa lekárska komunita obávala objavenia sa nových patogénov s rozsiahlym dosahom v prepojených svet 1 . Na rozdiel od chrípky, s jej dobre oceňovanou schopnosťou mutovať 2 , niekoľko relatívne benígnych koronavírusov pôvodne nespôsobilo alarm. Tak tomu bolo až do vypuknutia závažného akútneho respiračného syndrómu (SARS) v roku 2003 v Číne 3 a respiračného syndrómu na Blízkom východe (MERS) v Saudskej Arábii v roku 2012 4, ktorý sa vyznačoval závažnými symptómami a vysokou mortalitou. Obe ohniská boli krátkodobé a izolácia prípadov sa ukázala ako dostatočná na prekonanie obmedzenej schopnosti prenosu týchto patogénov medzi ľuďmi. Vznik nového SARS-CoV-2 s podobným geografickým a zoonotickým pôvodom ako SARS 5 bol Svetovou zdravotníckou organizáciou (WHO) v marci 2020 vyhlásený za pandémiu 6 a rýchlo sa rozšíril do rozsiahlych oblastí. Doteraz bolo zaznamenaných viac ako 220 miliónov prípadov s viac ako 4,7 miliónmi úmrtí 7 a vysokou úmrtnosťou, nie nepodobnou chrípke, v starších vekových skupinách 8 .

Štúdie vírusov chrípky H1N1 z roku 2009 naznačili, že nízka relatívna vlhkosť (RH) a vysoká hustota obyvateľstva ovplyvnili skoré šírenie vírusu. Tieto podmienky tiež uprednostňovali pretrvávanie vírusu počas týždňov na začiatku pandémie, čím sa zdôraznila čoraz uznávanejšia úloha vlhkosti v dynamike chrípky. Klimatické faktory boli považované za významné pri navrhovaní kontrolné a preventívne opatrenia 9 . Určenie úlohy klimatických činiteľov v dynamike prenosu vznikajúcich patogénov je stále spojené s ťažkosťami v dôsledku obmedzených údajov, nelineárnych reakcií a viacerých potenciálnych mätúcich faktorov v skorých štádiách pandémií 10. Príklady takýchto faktorov zahŕňajú trendy zdieľania procesov, variabilné intervenčné opatrenia, ako sú blokády, a rastúce používanie nefarmakologických intervencií. Dostatočná dostupnosť citlivých jedincov, ktorí podporujú prenos, sa tiež považuje za zníženie dôležitosti klimatických podmienok 11. Výsledky matematického modelu zaoberajúceho sa potenciálom sezónnosti v populačnej dynamike COVID-19 naznačili neschopnosť klimatického vynútenia stanoviť sezónnosť vzhľadom na veľký počet dostupných citlivých, neimunitných jedincov. Počiatočné pozorovania však naznačovali, že SARS-CoV-2 by mohol byť sezónnym ochorením, čo je možnosť, ktorá nebola rozvinutá pre krátkodobé prepuknutia SARS a MERS. Konkrétne, počiatočné šírenie COVID-19 sa objavilo v pásme zemepisnej šírky medzi 30° s. š. a 50° s. š., s nízkou úrovňou vlhkosti a teplotami medzi 5 °C a 11 °C (odkaz 12 ) a tieto citlivosti počasia boli hlásené z Čína s absolútnou vlhkosťou (AH) negatívne spojená s dennými úmrtiami na COVID-19 13. SARS-CoV-2 sa vzhľadom na zimný vzhľad ďalej podobal chrípke. Nedávne perspektívy preskúmali a vyhodnotili dôkazy sezónnosti podmienenej klímou, čo naznačuje protichodné výsledky a mätúce účinky iných faktorov v týchto skorých štádiách pandémie 10 , 14 .

Na mechanickejšej úrovni niektoré pozorovania o prenose SARS na veľké vzdialenosti v roku 2003 15 zvýšili rozsah leteckého prenosu a úlohu aerosólov 3 , čím by sa obišli kontrolné opatrenia na krátke vzdialenosti. Nehmotné spojenie medzi prenosom vzduchom a sezónnym prenosom je implicitné vo vedeckom záujme, ktorý nasledoval po vypuknutí SARS v roku 2003, najmä pokiaľ ide o chrípku. Skúmala sa povaha sezónnosti aj pravdepodobný podstatný príspevok prenosu vzduchom 16 , 17 , 18a urobili sa pokusy mechanicky spojiť teplotu a vlhkosť s environmentálnou perzistenciou bioaerosólov a sezónnosťou. Je prekvapujúce, že výsledky týchto chrípkových štúdií o aerosóloch sú podobné výsledkom počiatočného vyšetrovania SARS-CoV-2 19 , čo naznačuje možný príspevok aerosólov k prenosu na veľké vzdialenosti. S treťou – a v niektorých prípadoch piatou – pandemickou vlnou prebiehajúcou na severnej pologuli a potrebou predpovedať budúcu dynamiku očkovania a rôzneho trvania imunity, sa čoraz častejšie stáva otázka, či je COVID-19 skutočným sezónnym ochorením. centrálne s dôsledkami na určenie opatrení súdnej intervencie. Všeobecnejšie povedané, odpoveď môže informovať o našom chápaní prenosu vzduchom u iných respiračných vírusov.

Retrospektívne zváženie prvej a druhej vlny poskytuje príležitosť riešiť klimatické faktory ovplyvňujúce stúpajúcu a doznievajúcu fázu epidémie, a to aj za prítomnosti opatrení na zamedzenie šírenia. Štatistická metóda pre prechodné korelácie (analýza korelácie závislá od mierky alebo SDC) sa aplikuje na časové rady hlásených prípadov COVID-19 s cieľom identifikovať podobnú časovú odchýlku ako teplota a vlhkosť počas lokalizovaných časových okien. Skúma sa aj konzistentnosť výsledkov naprieč časovými a priestorovými mierkami. Prechodné asociácie môžu vzniknúť z nelineárnych odpovedí zahŕňajúcich prahové hodnoty, pričom klimatický faktor pôsobí ako dominantnejší limitujúci faktor intenzity prenosu v danom kritickom rozsahu. Vďaka svojej schopnosti odhaliť malé lokalizované zmeny v tvare epidémie,Metódy ) 20 , 21 , 22 . Nová viacškálová implementácia SDC (MSDC) poskytuje príležitosť na ďalšie potvrdenie konzistentnosti asociácií a posúdenie ich stability naprieč škálami. Pre porovnanie, preferenčné meteorologické rozsahy sú odvodené rovnakým prístupom pre sezónnu chrípku v Japonsku. Nakoniec sa implementuje doplnková analýza COVID-19 s procesným epidemiologickým modelom, v ktorom je rýchlosť prenosu riadená klímou. Jeho schopnosť zachytiť pozorované prípady a úmrtia sa porovnáva so schopnosťou alternatívnych formulácií s konštantným alebo sezónnym prenosom. Túto analýzu opakujeme v dvoch rôznych priestorových mierkach – na regionálnej a mestskej úrovni.

Výsledky

Úloha teploty na globálnej úrovni a na úrovni krajiny v súvislosti s ochorením COVID-19

Na riešenie asociácie teploty ( T ) a AH v počiatočnej fáze invázie SARS-CoV-2 a pred zavedením zmien v ľudskom správaní a politikách verejného zdravia sme najprv zvážili mieru počiatočnej miery rastu prípady naprieč krajinami. Na tento účel sme sa spoliehali na odhad reprodukčného počtu ochorenia, 0 , za 20 dní po tom, čo bolo oficiálne oznámených prvých 20 prípadov COVID-19 pre každú zo 162 krajín na piatich kontinentoch (rozšírené údaje obr. 1 , Metódy a doplnkové informácie ). Globálne mapy pre klimatické premenné v zodpovedajúcich časoch v každej krajine a pre hustotu obyvateľstva sú uvedené na rozšírených údajoch na obr.2 . Negatívny vzťah je pozorovaný medzi 0 a T , ako aj AH, v globálnom meradle, na základe lineárnych regresných modelov po dvoch (rozšírená dáta obr. 1b, c a rozšírená dáta viď obr. 2 ). Hoci tieto regresie predstavujú 10–25 % rozptylu v 0 , tieto dve regresie sú konzistentné a štatisticky významné ( P  < 0,001), bez ohľadu na použité meranie COVID-19 (napríklad 0 alebo kumulatívne prípady; pozri tiež testy citlivosti v rozšírených údajoch Obr. 3 ).

Aby sme sa zaoberali tým, či negatívny vzťah s T aj AH je len výsledkom zhodného načasovania medzi trendmi v šírení epidémie a dominantnými zimnými podmienkami v miernych oblastiach, analyzovali sme vývoj asociácií choroba – klíma lokálne v čase a v niekoľkých rozčlenených priestorové škály pre skupiny krajín na všetkých piatich kontinentoch (obr. 1 ). Na tento účel sme sa spoliehali na štatistickú metódu, SDC, ktorá bola špeciálne vyvinutá na identifikáciu podobných vzorcov variácií pomocou lokálnych alebo prechodných (lineárnych) korelácií medzi dvoma časovými radmi danými pohyblivým časovým oknom ( Metódy a odkazy 20 , 21 , 22). Aplikácia tejto analýzy na iné choroby, o ktorých je známe, že sú citlivé na klímu (napríklad cholera, malária a Kawasakiho choroba), úspešne ukázala, že asociácie môžu byť v čase diskontinuálne, pričom sa striedajú časové intervaly s veľmi významnými koreláciami a tie s nízkymi alebo žiadnymi koreláciami. tie 23 , 24. Takúto prechodovú väzbu možno očakávať v reakcii nelineárnych systémov na externý budič, najmä keď funkcie súvisiace s konkrétnymi parametrami s ovládačom sú samy nelineárne, takže účinky sú zreteľnejšie v konkrétnych rozsahoch premennej sily. SDC je v podstate nástroj na rozpoznávanie vzorov, ktorý umožňuje zvážiť rozsah, v ktorom sa majú hodnotiť korelácie, pretože veľkosť okna sa môže systematicky meniť tak, aby sa zamerala na čoraz miestne vzory variácií, napríklad ( Metódy ) 21 . Nové rozšírenie tejto metódy, MSDC, je prezentované v tejto štúdii na preskúmanie stability korelácií vo všetkých škálach.

                                                  Obr. 1: Analýzy SDC pre agregované prípady COVID-19 a teploty pre skupiny susediacich krajín.

postava 1

Obojsmerné analýzy SDC pre časové rady denných nových prípadov COVID-19 verzus priemerná teplota T v skupinách susediacich krajín. Tieto denné klimatické podmienky sú vážené priemery založené na relatívnej populácii príslušných krajín od marca do októbra 2020. Časová mierka alebo veľkosť okna, s, použitý pre lokálne korelácie je 75 dní a oneskorenie medzi umiestnením okien v dvoch časových radoch sa pohybuje od 0 do 21 dní. V grafoch SDC sú dva časové rady zobrazené naľavo a navrchu centrálnej korelačnej mriežky pre hlásené prípady (ľavé grafy) s časom klesajúcim a pre klimatický faktor (horné grafy) s časom idúcim doprava. Každá bunka mriežky je zafarbená podľa Spearmanovho korelačného koeficientu, pričom riadok a stĺpec zodpovedajú polohe dvoch príslušných časových okien veľkosti spozdĺž každého časového radu, pričom oneskorenie medzi týmito polohami zodpovedá vzdialenostiam od uhlopriečky (oneskorenie 0 až +21 dní). Panel pod každým grafom zobrazuje maximálny korelačný koeficient získaný v každom časovom bode (vertikálne, a teda relatívne k času časového radu klímy). Iba korelácie, o ktorých sa zistilo, že sú významné v neparametrickom randomizovanom teste ( α  = 0,05), sú zobrazené a vyfarbené. Červené (modré) body v mriežke zodpovedajú negatívnym (pozitívnym) koreláciám podľa špecifikovanej stupnice (vpravo hore).

Obrázok 1 zobrazuje výsledky analýz SDC pre prípady COVID-19 a T pre časové okná dva a pol mesiaca (škála s  = 75 dní) pri zoskupení krajín podľa regiónu a zemepisnej šírky na dvoch hemisférach. Podobné vzory sa nachádzajú pre prípady a AH (rozšírené údaje obr. 4 ). Silné negatívne prechodné asociácie sa získavajú pre krátke časové oneskorenia medzi chorobou a časovým radom podnebia, s konzistentnými vzormi na celom svete. Je zaujímavé, že negatívny vzťah sa prejavuje počas prvej aj druhej vlny pandémie a pre fázu vzostupu aj poklesu, s prestávkou počas leta na všetkých kontinentoch (obr. 1 a rozšírené údaje obr. 4). Prechodné pozitívne korelácie s rôznou intenzitou sa zisťujú aj počas teplejších mesiacov naprieč lokalitami, s rôznou intenzitou a nie konzistentne vysokou. O tom, či odrážajú skutočné vzorce spojené s masovými stretnutiami mladých ľudí v dovolenkových strediskách, ako v Španielsku v lete 2021, sa bude diskutovať neskôr. Aby sme ďalej preskúmali asociačné vzorce, zvážili sme hlásené prípady v menšom priestorovom meradle jednotlivých krajín v Európe (obr. 2 pre Francúzsko, Spojené kráľovstvo, Taliansko, Španielsko a Nemecko), ktorý je prvým najviac postihnutým kontinentom po vzniku vírusu v Číne. Výsledky SDC ukazujú podobné prechodné a negatívne asociácie pre T a AH s prípadmi COVID-19 ( s = 75 dní). Negatívny vzťah sa vyskytuje prevažne synchrónne v rôznych krajinách, v rovnakých časových intervaloch počas doznievania prvej epidemickej vlny, keď T a AH stúpajú, a tiež počas vzostupu druhej vlny na jeseň, keď T a AH klesajú, pričom prestávka medzi tým. Pre toto isté časové okno ( s  = 75) platí podobný negatívny vzťah aj pre jednotlivé regióny v rámci troch z týchto vysoko postihnutých európskych krajín, pre ktoré sú dostupné údaje vo vyššom priestorovom rozlíšení jednotlivých provincií (konkrétne Lombardia, Durínsko a Katalánsko, Doplnkové obrázky 1 a 2). Tieto výsledky sú tiež uvedené oddelene pre prvú a druhú vlnu v Lombardii, Durínsku a Katalánsku (doplnkový obrázok 2 ). Lokálne v čase tieto asociácie predstavujú veľké časti variability v prípadoch COVID-19 v troch regiónoch (viac ako 80 % v mierkach s  = 21 dní; doplnkový obrázok 2 ). Ich diskontinuita vysvetľuje nižšie hodnoty získané s tradičným korelačným koeficientom, keďže podľa definície je táto veličina priemerná za celú dĺžku časového radu 20 .

                                    Obr. 2: Prechodné korelácie medzi meteorologickými faktormi a výskytom COVID-19 pre niekoľko európskych krajín.

obrázok2

a , Panely z analýzy SDC pre maximálne absolútne korelácie medzi dennými časovými radmi pre meteorologickú premennú (AH, vľavo; T , vpravo) a novými prípadmi COVID-19 ako funkciu času (poloha miestneho časového okna) . Tieto panely zodpovedajú panelom zobrazeným pod mriežkou SDC miestnych korelácií na obr. 1 , ale tu na úrovni krajín pre päť európskych krajín (Nemecko, Francúzsko, Taliansko, Španielsko a Spojené kráľovstvo). Ako predtým, s  = 75 a maximálna korelácia je zvolená pre oneskorenia od 0 do 21 dní. Farby zodpovedajú maximálnym negatívnym (červená) a pozitívnym (modrá) koreláciám pre každý deň. b, Výsledné maximálne korelácie pre španielsky región Katalánsko so zodpovedajúcim uvedeným časovým oneskorením. Toto dominantné oneskorenie (ten pre maximálnu hodnotu ρ medzi významnými porovnaniami medzi oneskorením 0 a +21 dní) sa prekrýva v teplotnom časovom rade pre každý časový bod, pričom kratšie oneskorenia sú reprezentované svetlejšími farbami a dlhšie oneskoreniami s tmavšími tie. Veľkosť fragmentu ( s ) použitá v tomto paneli je 21 dní, čo nám umožňuje lokalizovať a identifikovať viacero kratších prechodných väzieb medzi výskytom COVID-19 a meteorologickými faktormi. c , Rovnako ako v b , ale pre taliansky región Lombardia. Všimnite si, že v b a c, keď sa zdá, že meteorologický faktor viac súvisí s prenosom SARS-CoV-2 a šírením COVID-19 v populácii, oneskorenie sa skracuje, čo naznačuje intenzívnejšie a rýchlejšie spojenie.

Môžeme tiež skontrolovať, ako sa tieto prechodné väzby menia ako funkcia časového oneskorenia (v dňoch) medzi dvoma časovými radmi. Keď sa veľkosť zmeny klimatickej premennej T alebo AH zvyšuje, oneskorenie má tendenciu skracovať sa. Ako je znázornené na obr. 2b , toto správanie je vidieť pre smer zmeny, ktorý je pravdepodobne relevantný pre ovplyvňovanie prenosu (zvýšenie T a AH pri poklese prvej vlny a zníženie T a AH pri vzostupe druhej vlny). Kratšie oneskorenia môžu odrážať vyššiu rýchlosť komunitného prenosu, sprevádzanú intenzívnejším účinkom meteorologických faktorov. Približovanie ešte viac lokálne v čase s oknom približne dvoch týždňov ( s = 14), SDC odhaľuje obmedzené intervaly veľmi vysoko významných korelácií na týchto regionálnych úrovniach pre Lombardsko (Taliansko; Obr. 3 ) a pre Katalánsko, Španielsko (Rozšírené údaje Obr. 5 ). Intervaly, kde klimatická kovariát predstavuje viac ako 80–90 % variability v prípadoch, sa striedajú s úplným oddelením medzi časovými radmi. Zaujímavé je, že najsilnejšie negatívne asociácie sa pozorujú počas vzostupu druhej vlny v týchto európskych regiónoch. Pozitívne asociácie sú v tomto rozsahu slabšie a zriedkavé.

                                                                                             Obr. 3: Analýza vplyvu T a AH na šírenie COVID-19 v Taliansku.

obrázok3

a – d , Krátkodobé prechodné korelácie v časových intervaloch dvoch týždňov pri priestorovom rozlíšení regiónu, tu pre Lombardsko v Taliansku. Ako na obr. 1 , grafické výsledky analýzy SDC sú zobrazené pre korelácie medzi dennými prípadmi COVID-19 a T ( a , b ) alebo AH ( c , d ) a pre rôzne časti pandémie. Tu sa používa menšia veľkosť okna ( s  = 14 dní) na preskúmanie ešte krátkodobejších prechodných asociácií. Panely v a a c predstavujú výsledky pre fázu doznievania prvej vlny (od konca februára do júla) a panely v bd tie pre stúpajúcu fázu druhej vlny (od augusta do konca októbra). Časové intervaly významných korelácií sú označené rámčekmi v centrálnej mriežke, pričom zodpovedajúce načasovanie v dvoch časových radoch je zvýraznené červenými šípkami pre meteorologický faktor a čiernymi šípkami pre premennú odozvy, prípady COVID-19. Páry šípok pre daný rámček ukazujú jasné vzorce opačných časových zmien (negatívna korelácia) v klimatických a epidemiologických premenných. Kvôli prehľadnosti v tomto prípade spodné panely pod každým grafom zobrazujú iba maximálne hodnoty negatívnej korelácie získané pri posúvaní okna analýzy v čase (s červenými bodkami označujúcimi negatívne korelácie). e , f, Rozdelenie frekvencií negatívnych a pozitívnych korelácií ako funkcia rozsahu klimatickej kovarianty (čísla v zátvorkách), pre T ( e ) a AH ( f ). Frekvencia okien s negatívnymi (alebo pozitívnymi) koreláciami sa získava z analýzy SDC prípadov COVID-19 a daného klimatického faktora vo všetkých talianskych regiónoch ( n  = 20; pre s = 21 dní). Percentá zodpovedajú percentám celkových porovnaní (v rámci každého z rozsahov klimatických premenných), ktoré boli štatisticky významné v oboch smeroch. Distribúcie sú nerovnomerné s režimom v určitom rozsahu klimatických premenných. To svedčí o nelineárnom vzťahu, kde sú negatívne asociácie najpravdepodobnejšie pozorované v určitom meteorologickom rozsahu. g , h , Rovnaké rozdelenie frekvencií, ale v rôznych talianskych regiónoch. Ako vidno, v miernych podmienkach (AH 4–12 g m −3 , T 12–18 °C) je nadmerné zastúpenie významných negatívnych monotónnych vzťahov .

Ďalej skúmame naše výsledky SDC, aby sme riešili existenciu prahových hodnôt v T a AH pre šírenie COVID-19. Na tento účel skúmame, či sa intervaly spájania stávajú častejšie v závislosti od rozsahu klimatických kovariátov. Toto správanie by naznačovalo existenciu kritického rozsahu, v rámci ktorého sú odozvy zosilnené, a naopak, mimo neho sa vynucovanie stáva neúčinným. Ako príklad bola vykonaná metaanalýza pre Taliansko, kde sú k dispozícii podrobné regionálne údaje o prípadoch. Spoločne sme analyzovali všetky korelácie SDC medzi prípadmi COVID-19 a každou z klimatických kovariát ( T alebo AH) zhromaždením výsledkov pre všetky jednotlivé regióny Talianska (obr. 3 , doplnkový obrázok 5 ametódy ; pre Španielsko sú výsledky uvedené v rozšírených údajoch na obr. 6 ). Výsledné distribúcie zobrazené na doplnkovom obrázku 4 a rozšírených údajoch na obrázku 6 ukazujú podiel celkových možných porovnaní (páry časových intervalov medzi dvoma časovými radmi), ktoré spadajú do daného rozsahu klimatickej kovarianty, s týmito podielmi rozdelené na významné pozitívne a negatívne korelácie (obr. 3e, f ) a vrátane nevýznamných (doplnkový obrázok 4 ). Distribúcie sú tiež zobrazené iba pre pozitívne a negatívne korelácie pozdĺž rozsahu klimatických intervalov (obr. 3e, f ) a pre prvé dve vlny samostatne (doplnkové obrázky 56 a rozšírené dáta Obr. 6 ). Režim v týchto distribúciách označuje preferenčné intervaly pre T a AH, v tomto poradí, kde sú klimatické vplyvy najzreteľnejšie a za ktorými je pravdepodobný decoupling (približne 12–18 °C a 4–12 g m −3 , v tomto poradí; obr. 3g,h ). Hoci sa podobné výsledky získajú pre prvú a druhú vlnu oddelene, tieto rozsahy by sa mali považovať len za indikatívne, vzhľadom na krátke záznamy, ktoré sú zatiaľ k dispozícii (doplnkový obrázok 6 a rozšírené údaje, obrázok 6 ).

Aby sme ďalej preskúmali konzistenciu identifikovaných vzťahov s T a AH, použili sme MSDC – rozšírenie SDC vyvinuté na kontrolu vývoja prechodných korelácií vo všetkých mierkach naraz v rovnakom grafickom zobrazení ( metódy ) – na krajiny na iných kontinentoch, ktoré zaznamenali neskorší príchod SARS-CoV-2 ako Európa, konkrétne Južná Afrika, Argentína a Kanada, od februára do decembra 2020 (rozšírené údaje obr. 7 ). Vrchný a stredný graf v rozšírených údajoch Obr. 7pre každú prítomnú krajinu najnegatívnejšia a najpozitívnejšia významná Spearmanova korelácia zistená pre každý pár fragmentov danej veľkosti okna a dátumu. (Na vizualizáciu načasovania s ohľadom na progresiu epidémie zobrazuje spodný graf sedemdňový kĺzavý priemer denných hlásených nových prípadov pre každú z krajín.) Negatívne korelácie vykazujú kontinuitu ako stupnice sje zvýšená, a tiež prechod k väčším hodnotám (indikácie kauzálnych účinkov). Naproti tomu pozitívne korelácie sú oveľa obmedzenejšie v rozsahu mierok, do značnej miery obmedzené na veľmi malé mierky a objavujú sa buď v časoch minima alebo maxima výskytu COVID-19, ale nie počas vzostupu alebo pádu pandemických vĺn. Celková pripísaná variabilita je preto veľká pre negatívne korelácie, ale oveľa obmedzenejšia pre pozitívne vzory. Keď sú pozitívne korelácie prítomné iba na najmenších mierkach a nepretrvajú, keď sa posúvame v mierke, s najväčšou pravdepodobnosťou odrážajú falošné asociácie vyplývajúce z náhodných fluktuácií (rozšírené údaje, obr. 7 ).

Mechanický model zahŕňajúci explicitné údaje o teplote

Aby sme ďalej zhodnotili úlohu klimatických faktorov na dynamiku chorôb z mechanickejšej perspektívy, implementovali sme aj procesný stochastický model, ktorý zahŕňa vplyv teploty na prenosovú rýchlosť. Štruktúra modelu a zodpovedajúce parametre sú znázornené na Obr. 4 ( ďalší popis pozri Metódy ). Základný model, ktorý rozdeľuje ľudskú populáciu do siedmich kompartmentov (vnímaví, exponovaní, uzavretí, infikovaní, karanténi, zotavení a mŕtvi jedinci), už preukázal dobrý výkon z hľadiska predikčných schopností pre prvé vlny pandémie COVID-19 v rôznych krajiny 25 . Tu rozširujeme jeho formuláciu tak, aby zahŕňala teplotu ako hnaciu silu prenosovej rýchlosti. Pre jednoduchosť Tbola na tento účel vybraná skôr ako AH na základe jej silnejšieho vzťahu s COVID-19 vo vyššie uvedených výsledkoch SDC a vzhľadom na podobnosť časových vzorcov dvoch klimatických premenných. Na účely porovnania základná formulácia vynecháva teplotu a zahŕňa konštantnú rýchlosť prenosu. Sezónne vynútená verzia obsahuje sínusovú variáciu tohto termínu s obdobím 12 mesiacov. Model zahŕňajúci T je lepšie schopný zachytiť údaje pre všetky rôzne vlny a oblasti (obr. 4 a 5 a doplnková tabuľka 1 ). Obrázok 4c,dukazuje model vhodný pre tri rôzne modely pre obnovené prípady, aktívne prípady a úmrtia v Katalánsku a Lombardii. Porovnanie strednej kvadratickej chyby pre tieto modely sú zobrazené na obr. 5 a Rozšírená dát na obr. 8 . Na riešenie rôznych priestorových mierok agregácie bol rovnaký mechanický model prispôsobený epidemickým údajom pre mesto Barcelona (obr. 5a, b a rozšírené údaje obr. 8 ). Aj tu model zahŕňajúci T vykazuje celkovo lepší výkon (obr. 4c, d ) a nižšie zvyškové odhady ako ktorýkoľvek iný model (obr. 5a, b a doplnková tabuľka 1). Predovšetkým sa zdá, že prispôsobenie prvej vlne sa v porovnaní s jej náprotivkami zreteľne zlepšilo, čo pravdepodobne naznačuje silnejšiu kontrolu teploty pre toto skoré štádium epidémie. Hoci pozoruhodné účinky sú viditeľné aj pre ostatné vlny (a sú najzreteľnejšie pre aktívne prípady), zlepšenia sú mierne v druhej vlne pre Lombardsko (obr. 4c,d a 5a,d ), Durínsko (obr. 5a,b). ) a v druhej a tretej vlne pre Katalánsko (obr. 4c a 5a,b ) a Barcelonu (obr. 5a,b ) (tiež rozšírené údaje obr. 8 ). Tieto výsledky sú v silnej zhode s výsledkami získanými pomocou analýzy SDC o zvýšenej extrakcii T podpis v tejto prvej vlne pandémie COVID-19.

                                                                                           Obr. 4: Modelový diagram a prispôsobenie oddeleného procesu.

obrázok4

a , b , Diagram zhrňujúci štruktúru kompartmentového procesného modelu ( a ) a tabuľku parametrov pre prechody medzi týmito kompartmentmi ( b ). c , d , Modelovo prispôsobené hodnoty (plné čiary, pričom tieňované oblasti predstavujú štandardné odchýlky (sd) predpovedí) v porovnaní s oficiálne oznámenými hodnotami (prerušované čiary) pre aktívne, zotavené a úmrtné kompartmenty v regiónoch Katalánska ( c ) a Lombardsko ( d ).

                                                                                           Obr. 5: Porovnanie dobrej zhody medzi rôznymi parametrami modelu.

obrázok 5

Porovnanie kompartmentového modelu založeného na procese vyhovuje rôznym použitým regiónom, obdobiam a parametrom. a , Stredná štvorcová chyba pre modely prispôsobené údajom vo všetkých obdobiach a pre každý z regiónov. Hodnoty zodpovedajúce modelom s prenosovou rýchlosťou závislou od teploty β sú zvýraznené zelenou farbou. b , Modelovo predpovedané krivky (v zelenej farbe) zodpovedajúce priemeru 100 stochastických simulácií sa porovnávajú so sedemdňovým kĺzavým priemerom hlásených denných nových prípadov v každej oblasti (sivo).

Nakoniec, medzná analýza vykonaná pre COVID-19 (doplnkový obrázok 6 ) bola tiež aplikovaná na záznamy sezónnej chrípky (A a B) v meste Kawasaki v Japonsku od roku 2014 do roku 2021 (obr. 6b ). Sezónna chrípka je známejšie respiračné ochorenie, pre ktoré boli zdokumentované klimatické účinky, najmä vo vzťahu k vlhkosti (rozšírené údaje obr. 9 ). Prechodné negatívne korelácie sú jasne evidentné pre chrípku A a chrípku B s AH aj T (rozšírené údaje obr. 9 ). Pokiaľ ide o COVID-19, počet pozitívnych korelácií je na porovnanie minimálny (rozšírené údaje obr. 9 ). Rozsahy alebo prahové hodnoty pre Ta AH odvodené z analýzy SDC naznačujú (1) mierne systematické oneskorenie až do jedného alebo dvoch mesiacov vo výskyte chrípky B vzhľadom na chrípku A (rozšírené údaje obr. 9 ) a (2) relevantné rozsahy T a AH sú podobné k tým získaným pre COVID-19 (obr. 6b ). Je zaujímavé, že tieto rozsahy sa medzi týmito dvoma vírusovými kmeňmi mierne líšia, čo naznačuje malé rozdiely v klimatických výklenkoch.

                                                                                       Obr. 6: Porovnanie modelov počasia a výskytu chrípky A a B v Kawasaki City.

obrázok6

a , Znázornenie denných priemerov AH a T v japonskej prefektúre Kanagawa, po ktorých nasledujú denne hlásené prípady chrípky A a B v Kawasaki City od roku 2014 do roku 2020. b , Znázornenie kritických rozsahov T a AH pri vykonávaní Analýza SDC so s  = 30 dní, podobná ako na obr. 3e–h .

Zdrojové údaje

Diskusia

Celkovo naše zistenia podporujú existenciu silných vonkajších hnacích síl intenzity prenosu, ako to naznačuje jednotná letná recesia napriek rôznym intervenčným opatreniam v krajinách 25 . Podporujú tiež názor COVID-19 ako pravý sezónne infekcie, podobné v tom zmysle, aby sezónnej chrípky a na viac benígnych cirkulujúci koronavírusy 26 .

Sprievodné časové zmeny ekologických podmienok, ľudského správania a výskytu chorôb počas ročného cyklu môžu viesť k pravdivým, ale aj falošným koreláciám s klimatickými parametrami 21 . Naše výsledky sú v súlade s výsledkami ref. 27 o vplyve teploty a špecifickej vlhkosti na šírenie COVID-19, čo je určite povzbudivé vzhľadom na to, že metódy použité v tejto práci (SDC) a ich práca (nelineárne modely s distribuovaným oneskorením) sú odlišné. Naša analýza je tiež doplnková pri zvažovaní údajov z rôznych krajín a priestorových mierok. Analýzy v našej štúdii boli formulované tak, aby obišli falošné korelácie vyplývajúce z takýchto náhodných sezónnych variácií, ako aj účinkov potenciálnych mätúcich faktorov ( Doplnková diskusia). Podobný prístup by mohol prispieť k ďalšiemu pochopeniu komplexnej globálnej sezónnosti chrípky 28 , 29 .

Ďalšiu podporu pre prechodnú, ale silnú úlohu klímy v modulácii prenosu COVID-19 tu poskytujú výsledky implementovaného mechanického modelu. Modelové prispôsobenia a porovnania modelov konzistentne naznačujú klimatický efekt v rôznych vlnách epidémie pre rôzne regióny a jednotlivé mestá (obr. 5 a rozšírené údaje obr. 8 ). Výsledky pre Barcelonu sú plne v súlade s výsledkami pre Katalánsko a ostatné regióny. Pri kontrole výsledkov pomocou vĺn je toto pozorovanie ešte posilnené, pretože priemerná štvorcová chyba pre model riadený teplotou je vždy najnižšia, najmä pre prvú vlnu epidémie. Podobne zvýšenie rozlíšenia mierky nemodifikuje výsledky podľa SDC v najväčších uvažovaných priestorových mierkach (regióny a krajiny).

Problém kolinearity klimatických faktorov v minulosti spochybnil hľadanie environmentálnych faktorov chrípky a veľmi podobné problémy sa teraz týkajú COVID-19 27 . Obaja T a AH sa tu objavujú rovnako schopné zodpovedať za pozorované COVID-19 variante. Je dobre známe, že vzduch so stúpajúcou teplotou môže obsahovať viac vody a z geofyzikálnych dôvodov sú tieto dva parametre zvyčajne silne spojené v rozsiahlych priestorových mierkach. Tiež oba parametre môžu pôsobiť rovnakým smerom vo svojich biologických účinkoch. Napríklad environmentálna perzistencia vydychovanej infekčnej vírusovej častice – spojená s malou (<5 μm) alebo väčšou (100 μm) kvapôčkou 30—zvyšuje sa v laboratórnych podmienkach s nižšími teplotami a nižšou vlhkosťou pri chrípke 31 , SARS 32 a SARS-CoV-2 33 . Hoci predĺžené prežitie v prostredí pri nižších teplotách platí pre väčšinu skúmaných vírusov 34 , menej vlhké prostredie skracuje prežitie väčšiny infekcií horných dýchacích ciest, ako sú rinovírusy a adenovírusy, ktoré spôsobujú bežné prechladnutie 35 . Dôležité však je, že týmto vírusom chýba obálka a nie sú sezónne definované 36. Naproti tomu obalené vírusy, vrátane osýpok, kiahní kiahní a ovčích kiahní, sú infekcie zasahujúce dolné dýchacie cesty, prevládajú v chladnejších obdobiach a sú prevažne alebo v podstate prenášané vzduchom. Zdá sa pravdepodobné, že niektoré vírusy sa prispôsobili tejto fáze sezónneho cyklu a ich sprievodným znakom teploty a vlhkosti, čo vylučuje identifikáciu jediného alebo dominantného faktora prenosu. Naše výsledky poukazujú na SARS-CoV-2 patriaci do tohto zhluku vírusov. Bez ohľadu na to, pravdepodobné spôsoby pôsobenia teploty a vlhkosti ( doplnková diskusia ) naznačujú dôležitosť prenosu vzduchom. Nízke úrovne vlhkosti môžu zmenšiť veľkosť bioaerosólov vyparovaním, keď sú tieto vírusy chladného počasia vydýchnuté 37. „Kvapkové jadrá“ menšie ako 5 μm môžu obísť obranu nosovej zóny a dostať sa do hlbších častí pľúc. SARS a SARS-CoV-2 špecificky zacieliť na angiotenzín-konvertujúci enzým 2 proteínu pre vstup bunky 38 , pričom tento proteín je najhojnejšia v alveolárnej tkaniva 39 . Počas chladnejších zimných mesiacov vo vyšších zemepisných šírkach vnútorné vykurovanie vytvára mikroklímu s nízkou úrovňou relatívnej vlhkosti, čo je parameter, ktorý lepšie odráža silu sušenia vzduchu ako AH. Vnútorná AH aj RH vo vykurovaných priestoroch však dobre korešpondujú s bežne meranou vonkajšou AH v chladnejších klimatických podmienkach 18 , a teda aj mriežkovej klimatológii, ktorá sa tu používa na štúdium tohto parametra.

Zdá sa, že tolerantná úloha nízkych teplôt pri prenose SARS-CoV-2 je v rozpore s prenosom súvisiacim s teplým počasím a závažnosťou druhej vlny v Spojených štátoch na obdobie od júla do augusta 2020 (nezobrazené) a letnej vlny v roku 2021, ako aj druhá alebo tretia vlna v roku 2021 v tropických krajinách, ako je India a Latinská Amerika. V bohatých krajinách severnej pologule by sa ochladená vnútorná mikroklíma počas týchto mesiacov mohla prispôsobiť prenosu, ako je to pri mnohých ohniskách pozorovaných v závodoch na spracovanie mäsa v Spojených štátoch 40 a Európe 41kde je ochladený vzduch mechanicky odvetrávaný. V krajinách ako Argentína, Brazília, Kolumbia a Peru môže nedávny prudký nárast vysvetliť obmedzená ponuka očkovacích látok s jej pomalým zavádzaním, slabými zdravotníckymi systémami a krehkými ekonomikami, ktoré sťažujú zavedenie alebo udržiavanie príkazov na pobyt v domácnosti. na jar 2021. Dôsledky a možnosť, že nové varianty vznikajúce v týchto zemepisných šírkach by sa mohli lepšie prispôsobiť stabilným tropickým podmienkam, je potrebné dôkladne preskúmať.

Pozitívne korelácie sme našli v letných mesiacoch roku 2020 (napríklad obr. 1 ) v priebehu sezónneho minime prípadov sa môže tiež odrážať prenos komunity v budovách verejného kontrolovanou teplotou, ako sú opatrovateľské domy 41 , 42 . Môžu tiež vyplynúť z masívneho sociálneho zoskupovania a zvýšeného kontaktu pri voľnočasových aktivitách vonku v teplom počasí 43 . Klimatizácia v subtrópoch bola tiež navrhnutá na vysvetlenie prenosu SARS 32 , čo je situácia podobná chrípke 44. Podobne aj severná pologuľa zaznamenala v lete 2021 významný nárast prípadov v krajinách ako Španielsko a Portugalsko, ktoré sú cieľom masívneho prímorského cestovného ruchu v Európe. Bez ohľadu na vysvetlenie boli tieto pozitívne asociácie celkovo menej časté a menej robustné a slabšie pri priblížení do menších časových veľkostí okien.

Naša štúdia má niekoľko obmedzení, z ktorých najdôležitejšie vyplýva z obmedzenej dĺžky doteraz dostupných epidemiologických záznamov. Obmedzujúce sú aj rôzne sociálne a environmentálne faktory ovplyvňujúce epidemiológiu COVID-19, ktoré môžu závisieť od krajiny. Keď sa SDC použije v jednej škále analýzy, môže potenciálne identifikovať falošné korelácie, čo je aspekt, ktorý nová viacškálová analýza do značnej miery obchádza. Je zaujímavé, že citlivosť SDC môže pomôcť sledovať ďalšie lokálne relevantné epidemiologické dynamiky potenciálne spojené s ľudským správaním, ako sú letné stretnutia v roku 2020 v priestoroch budovy alebo pod vplyvom klimatizácie v horúcom podnebí, čo vytvára pozitívne asociácie. Takéto asociácie nevyplývajú z priamych meteorologických preferencií vírusu, ale z účinkov ľudského správania na prenos vírusu. Neboli by detekované fixnými regresnými metódami. Rozdiely v hlásení údajov medzi lokalitami a rôzne citlivosti vírusových kmeňov môžu zmeniť súčasné výsledky, pretože údaje pre tieto nové varianty (delta, delta-plus, lambda) tu neboli analyzované. Rozdiely v chybách vo vykazovaní zvyšujú neistotu analýzy, hoci sa zdá, že SDC je robustná na identifikáciu asociácií aj v prípade silného týždenného cyklu. Táto robustnosť otvára dvere vývoju v blízkej budúcnosti lepšie upravených a prispôsobených klimatických služieb a systémov včasného varovania pre COVID-19. Rozdiely v hlásení údajov medzi lokalitami a rôzne citlivosti vírusových kmeňov môžu zmeniť súčasné výsledky, pretože údaje pre tieto nové varianty (delta, delta-plus, lambda) tu neboli analyzované. Rozdiely v chybách vo vykazovaní pridávajú do analýzy neistotu, hoci sa zdá, že SDC je robustná na identifikáciu asociácií aj v prípade silného týždenného cyklu. Táto robustnosť otvára dvere vývoju v blízkej budúcnosti lepšie upravených a prispôsobených klimatických služieb a systémov včasného varovania pre COVID-19. Rozdiely v hlásení údajov medzi lokalitami a rôzne citlivosti vírusových kmeňov môžu zmeniť súčasné výsledky, pretože údaje pre tieto nové varianty (delta, delta-plus, lambda) tu neboli analyzované. Rozdiely v chybách vo vykazovaní pridávajú do analýzy neistotu, hoci sa zdá, že SDC je robustná na identifikáciu asociácií aj v prípade silného týždenného cyklu. Táto robustnosť otvára dvere vývoju v blízkej budúcnosti lepšie upravených a prispôsobených klimatických služieb a systémov včasného varovania pre COVID-19.

Identifikované klimatické pôsobenie by malo pretrvávať pre nové varianty vírusu so zvýšenou prenosnosťou a zvýšenou schopnosťou čiastočne sa vyhnúť ochrane pred predchádzajúcou expozíciou. Mala by tiež pretrvávať na nižších úrovniach výskytu, ak by sa choroba stala endemickou, a preto by sa malo určiť ročné načasovanie očkovania. Silné súčasné politiky na obmedzenie prenosu, vrátane blokád, ak sú účinné, by mali obmedziť úlohu klimatických hybných síl. Tento účinok je možné vidieť už pri zvažovaní posledných hlásených prípadov počas zimy v regiónoch Talianska (rozšírené údaje obr. 6 ). Frekvencia lokálnych významných korelácií s našou metódou výrazne klesá a kritický rozsah negatívnych korelácií už nie je zrejmý (Rozšírené údaje Obr. 6b). Naopak, pre regióny Španielska, kde bolo kontrolné úsilie pri implementácii premenlivejšie, zostáva tento rozsah zjavný a konzistentný s predchádzajúcimi vlnami (rozšírené údaje, obr. 6b ), aj keď klimatické podmienky zdieľajú tieto dve krajiny (rozšírené údaje obr. . 6c ). Zásahy v oblasti verejného zdravia na obmedzenie prenosu COVID-19 sa v tejto počiatočnej fáze zamerali na zníženie miery kontaktu medzi ľuďmi prostredníctvom sociálneho odstupu a na umývanie rúk, dekontamináciu infikovaných povrchov a zakrytie tváre. S výnimkou zakrývania tváre tieto opatrenia zdôraznili dôležitosť prenosu na krátku vzdialenosť, čo je štandardný predpoklad respiračných chorôb spôsobených vydychovanými kvapôčkami 45 s obmedzeným priestorovým dosahom 46. Pre COVID-19 bola navrhnutá úloha menších vydychovaných kvapôčok, ktoré sa prenášajú vzduchom ako bioaerosóly alebo „jadrá kvapôčok“ na dlhší čas a môžu prekonať veľké vzdialenosti v životaschopnom stave, ale zostali nevyriešené 47 , 48 , 49 , 50 . Sezónnosť a úloha nízkych teplôt a súvisiacej nízkej vlhkosti môžu byť mechanicky spojené so životaschopnými aerosólmi SARS-CoV-2, čo podporuje relevantnosť vzduchovej prenosovej cesty, ktorá sa podieľa na iných štúdiách 51 . Toto prepojenie zaručuje dôraz na „hygienu vzduchu“ prostredníctvom zlepšeného vnútorného vetrania 52efektívnejšie zasahovať do rozvíjajúcej sa pandémie. Zdôrazňuje tiež potrebu zahrnúť vhodné meteorologické parametre do hodnotenia a plánovania farmakologických opatrení a opatrení na kontrolu správania.

Metódy

Globálna štatistická analýza

Náš prvý pokus o identifikáciu pravdepodobných účinkov meteorologických kovariátov na šírenie COVID-19 použil komparatívnu regresnú analýzu. Za týmto účelom sme sa zamerali na exponenciálny nástup choroby, keďže práve epidémia umožňuje lepšie porovnanie medzi krajinami alebo regiónmi bez mätúcich účinkov intervenčných politík. Najprv sme pre každú z priestorových jednotiek (buď krajiny alebo NUTS (nomenklatúra územných jednotiek pre štatistiky) 2 regióny) určili deň, kedy bolo oficiálne nahlásených 20 alebo viac kumulatívnych prípadov. Potom sme upravili polynómovú funkciu prvého rádu f ( t ) =  0  +  t na ďalších 20 dní log-transformovaných údajov, kde tpredstavuje čas (v dňoch) a je hodnota pri počiatočnej podmienke t  = 0. Parameter r možno chápať ako exponenciálnu rýchlosť rastu a potom sa používa na odhad základného reprodukčného čísla ( 0 ) s použitím odhadov sériové interval T pre COVID-19 4,7 dní 53 , také, že 0  = 1 +  T (viď. 54 ). (Poznamenávame, že nás tu zaujíma vzťah medzi reprodukčným číslom a nie skutočný odvodzovanie 0 .) Raz 0X0x0bola získaná pre všetky naše priestorové jednotky, filtrovali sme naše meteorologické údaje tak, aby zodpovedali rovnakému obdobiu (s 10-dňovým negatívnym oneskorením, aby sa zohľadnila inkubácia a prerušenie hlásenia) pre každú priestorovú jednotku. Na výpočet jediného priemeru meteorologických premenných na regionálnu jednotku sme vypočítali vážený priemer na základe príspevku populácie každej bunky siete k celkovej populácii regiónu. Urobili sme tak, aby sme mali súhrnnú hodnotu, ktorá by lepšie reprezentovala vplyv týchto faktorov na populačný prenos COVID-19, keďže rovnaké zmeny počasia v mestskej oblasti s vysokou hustotou obyvateľstva pravdepodobne prispejú k zmene počtu obyvateľov. než v neobývanej vidieckej oblasti.0 . Vzhľadom na trochu arbitrárne kritériá na výber dátumov na odhadnutie 0 v každej krajine bola vykonaná analýza citlivosti na testovanie robustnosti regresií na zmeny súvisiacich parametrov. Testovali sme 70 rôznych kombinácií dvoch parametrov: celkový počet dní použitých na prispôsobenie (18 – 27) a prah kumulatívnych prípadov COVID-19 použitých na výber počiatočného dňa prispôsobenia (15 – 45). Vypočítali sme aj priemery počasia tak, že sme príslušné dátumy posunuli. Potom bol prispôsobený lineárny model pre každý z odhadov pre T aj AH. Súhrn rozdelenie odhadov parametrov (regresných svahu koeficientov a 2modelov) je uvedený v Extended dát na obr. 3 .

Bivariačná analýza časových radov s koreláciami závislými od mierky

Na podrobnejšie preskúmanie súvislostí medzi prípadmi a klimatickými faktormi sa vykonala SDC na denných časových radoch výskytu COVID-19 a danej meteorologickej premennej. SDC je optimálna metóda na identifikáciu dynamických väzieb v krátkom a hlučnom časovom rade 20 , 21 . Vo všeobecnosti Spearmanove korelácie medzi výskytom a meteorologickým časovým radom hodnotia, či medzi premennými existuje monotónny vzťah. Analýza SDC bola špeciálne vyvinutá na štúdium prechodných asociácií, ktoré sú lokálne v čase v špecifikovanom časovom meradle zodpovedajúcom veľkosti uvažovaných časových intervalov ( s). Obojsmerná implementácia (TW-SDC) je bivariačná metóda, ktorá počíta neparametrické Spearmanove poradové korelácie medzi dvoma časovými radmi pre rôzne páry časových intervalov pozdĺž týchto radov. Na preskúmanie čoraz jemnejšieho časového rozlíšenia možno použiť rôzne veľkosti okien ( s ). Výsledky sú citlivé na hodnotu tejto veľkosti okna, s , s očakávanými významnými a najvyššími korelačnými hodnotami na škále prechodného spojenia medzi premennými. Hodnoty korelácie sa zmenšujú so zvyšujúcou sa veľkosťou okna a priemery sa počítajú za príliš dlhý časový interval. Hodnoty sa môžu tiež znížiť a stať sa nevýznamnými pre malé okná, keď sú korelácie falošné. Tu bola metóda použitá pre okná rôznej dĺžky (od s = 75 až 14 dní) a napriek tomu, že týždenný cyklus sa v niektorých prípadoch ukázal pre malé s , výsledky odstraňovania tohto cyklu boli robustné. Tento cyklus sme preto neodstránili.

Výsledky sú zvyčajne zobrazené na obrázku s nasledujúcimi podgrafmi: (1) dva časové rady naľavo a navrchu matice korelačných hodnôt; (2) samotná matica alebo mriežka korelačných hodnôt v strede s významnými koreláciami zafarbenými modrou, ak sú kladné a červenou, ak sú záporné, s riadkami a stĺpcami zodpovedajúcimi časovej lokalizácii pohyblivého okna pozdĺž časového radu vľavo a vrchol, resp. (3) časový rad v spodnej časti, pod touto mriežkou, s najvyššími významnými koreláciami pre daný čas (vertikálne, a teda pre premennú, ktorá pôsobí ako hnacia sila, tu meteorologický časový rad). Ak si chcete prečítať výsledky, začína sa na uhlopriečke a pohybuje sa zvislo od nej nadol, aby sa identifikovalo dané oneskorenie, pre ktoré sa našli významné korelácie (najbližšie k hlavnej uhlopriečke). Na niektorých obrázkoch SDC sú časové intervaly s vysokými lokálnymi koreláciami zvýraznené rámčekmi. Tieto intervaly sa striedajú s inými (nechané prázdne), pre ktoré sa nenašla významná korelácia. Všetky farebné oblasti zodpovedajú hladinám významnosti najmenejP  < 0,05. Pre analýzu chrípky sa tiež používa nová prezentácia výsledkov, v ktorej sú dva časové rady superponované v rovnakom grafe s významnými koreláciami zobrazenými na paneli nižšie ako funkcia času a oneskorenia (rozšírené údaje, obr. 9 ).

Významnosť sa hodnotí neparametrickým randomizačným testom ( ďalšie podrobnosti a príklady ilustrujúce spôsob pozri v odkaze 20 ). Pre základný test SDC vypočíta Spearmanove korelácie (pri a  = 0,05) medzi dvoma časovými sériami bieleho šumu pri každej veľkosti fragmentu s pre neparametrický permutačný test (doplnkový obrázok 7 ). Indexy série sú náhodne preradené, čím sa poruší ich časový tvar. Tento permutačný test umožňuje prvý odhad pravdepodobnosti nájdenia signifikantných falošných korelácií a môže sa teda použiť ako neparametrický test významnosti pre dvojice ľubovoľnej dĺžky pre sledované časové rady. Ako je vidieť na doplnkovom obr. 7, prah rýchlo klesá s rastúcou veľkosťou fragmentu, pričom vysoké hodnoty sú tým zriedkavejšie, čím dlhšie sa porovnávajú časové rady. Ako druhý test SDC vyhodnocuje nežiaduce účinky internej autokorelácie v časovom rade. Tento efekt by mohol umelo zvýšiť koreláciu získanú medzi dvoma časovými radmi, a preto by sa mal pri porovnaní významnosti náležite zohľadniť. Na odhadnutie tohto efektu vygenerujeme páry autokorelovaných (červených) sérií šumu s 365 časovými krokmi, s priemerom μ  = 0 a štandardnou odchýlkou σ  = 1 a rôznymi stupňami autokorelácie (autokorelačný parameter φ na doplnkovom obrázku 8) od 0 (ekvivalent bieleho šumu) do 0,95 v krokoch po 0,05. Tento postup sme zopakovali 20-krát pre každú jedinečnú kombináciu parametrov, aby sme dosiahli robustný odhad. Metóda potom hľadá významné väzby v oboch smeroch. Toto sa vykonáva pre každý z týchto syntetických párov časových radov pomocou analýzy SDC (napríklad s  = 30), pričom pre každý z nich sa získa chybná miera objavenia, ktorá zodpovedá za chybu typu I a poskytuje mieru významných väzieb pri α  = 0,05. V doplnkových obr. 8 b, ukazujeme priemernú falošné zisťovanie rýchlosti testov pre každú dvojicu hodnôt autokorelačnej. Ako je ukázané, šanca na nájdenie falošného spojenia sa monotónne zvyšuje ako funkcia vyhodnotenej autokorelácie.

Náš prístup sa zameriava na analýzu časových asociácií na jednom mieste naraz a na porovnávanie vzorov asociácie naprieč týmito lokalitami, vrátane ich načasovania (napríklad vo fáze ubúdania alebo stúpania epidemických vĺn). To umožňuje porovnanie výsledkov medzi rôznymi regiónmi, napriek rozdielom v kontrolných opatreniach a stave epidémie ochorenia. Analýzy časových radov aplikované na každé miesto nepredstavujú typické problémy komparatívnych štúdií priestorovej regresie, ktoré môžu byť ovplyvnené nekontrolovateľnými mätúcimi účinkami naprieč priestorovými polohami.

Jedným z dôvodov, prečo môže byť spojenie medzi dvoma premennými v ekologických alebo epidemiologických systémoch prechodné, je existencia prahových hodnôt, nad alebo pod ktorými sú reakcie na nútenie slabé alebo chýbajú. Aby sme preskúmali naše analýzy na existenciu kritických prahov/rozsahov pre optimálny prenos vírusu (odvodené z výsledkov ochorenia COVID-19), spojili sme všetky negatívne a pozitívne významné korelácie uskutočnené vo veľkosti s  = 21 dní medzi každou meteorologickou premennou a COVID. -19 prípadov. Potom sme vypočítali podiel týchto negatívnych korelácií medzi všetkými možnými koreláciami pre danú veľkosť fragmentu získaných pre každý bin hodnôt T alebo AH a vyniesli sme ich distribúciu (obr. 3 a doplnkové obrázky 4 –6 ) pre všetky jednotlivé regióny v Taliansku.

Singulárna spektrálna analýza (SSA) zahŕňa spektrálny rozklad (vlastné hodnoty a zodpovedajúce vlastné vektory) kovariančnej matice získanej oneskorením údajov časového radu o predpísaný počet oneskorení M nazývaný rozmer vkladania. V tejto analýze sú dva kľúčové kroky, pre ktoré neexistujú žiadne formálne výsledky, ale užitočné orientačné pravidlá: (1) výber Ma (2) zoskupenie vlastných vektorov na definovanie špecifických hlavných komponentov a ich rekonštrukciu. Zoskupenie vlastných komponentov je zvyčajne založené na podobnosti a veľkostiach vlastných hodnôt, ich sile (rozptyl údajov, ktoré predstavujú) a špičkovej frekvencii výsledných rekonštruovaných komponentov. Pri výbere rozmeru vkladania je jednou všeobecnou stratégiou zvoliť ho tak, aby bolo možné identifikovať aspoň jednu periódu najnižšej frekvenčnej zložky záujmu, to znamená M  >  s / r , kde s je vzorkovacia frekvencia a r minimálna frekvencia. Ďalšou stratégiou je, že M je dostatočne veľké, abyM- lagovaný vektor zahŕňa časovú škálu časového radu, ktorý je predmetom záujmu. Čím väčšie M , tým detailnejší je výsledný rozklad signálu. Najmä najpodrobnejší rozklad sa dosiahne, keď sa rozmer vloženia približne rovná polovici celkovej dĺžky signálu. Musí sa však dosiahnuť kompromis, pretože veľké M znamená zvýšený výpočet a príliš veľká hodnota môže spôsobiť zmiešanie komponentov. SSA sa obzvlášť dobre hodí na oddeľovanie komponentov zodpovedajúcich rôznym frekvenciám v nelineárnych systémoch. Tu sme ho použili na odstránenie týždenného cyklu.

MSDC analýza

MSDC poskytuje skenovanie analýz SDC v rozsahu rôznych mierok (tu S od 5 do 100 dní v 5-dňových intervaloch) výberom maximálnych korelačných hodnôt (pozitívnych alebo negatívnych) bližšie k diagonále. Cieľom je zvážiť vývoj prechodných korelácií vo všetkých mierkach združených v jednej analýze. Graf MSDC zobrazuje čas na osi x a mierku ( S ) na osi y a pozitívne a negatívne korelácie buď spoločne alebo oddelene. Zdôvodnenie MSDC je, že korelácie vo veľmi malých mierkach sa môžu vyskytnúť náhodne kvôli zhodným podobným vzorcom, ale keď sa posunieme nahor k väčším mierkam (zvyšovaním S), korelačné vzorce, ktoré sú falošné, majú tendenciu miznúť, zatiaľ čo tie, ktoré odrážajú mechanické väzby, zvyšujú silu. Toto zvýšenie korelačných hodnôt by malo nastať až do skutočnej mierky interakcie a následne klesať. Pod pojmom „skutočný“ tu rozumieme časový rozsah, ktorý pokrýva rozsah interakcie medzi vodičom a procesom odozvy (v tomto prípade odozva prenosu choroby na daný klimatický faktor). Kontinuita rovnakých znamienkových korelácií spolu s prechodmi k väčším hodnotám teda svedčia o kauzálnych účinkoch, zatiaľ čo rýchle vymiznutie malých významných korelácií signalizuje falošné.

Procesný model

Popis

Dynamického modelu je diskrétny stochastický model, ktorý zahŕňa sedem rôznych priehradiek: S, E, I, C, Q, R a D. Štruktúra model je znázornený na obr. 4 . Prechodové pravdepodobnosti stochastického modelu sú založené na zodpovedajúcich rýchlostiach prechodov medzi triedami v deterministickom modeli (stredné pole) (špecifikované na Obr. 4b ). Tieto pravdepodobnosti sú definované nasledovne. P ( e ) = (1,0 − exp(− β  d t )) je pravdepodobnosť vystavenia infekcii triedy vnímavých látok, kde β  = (1/ N )( β I I  +  β Q Q) je miera infekcie (deterministického modelu). P ( i ) = (1,0 − exp(− γ d t )) je pravdepodobnosť, že nový exponovaný jedinec sa stane infekčným, kde γ označuje rýchlosť inkubácie. P ( r ) = (1,0 − exp(− Λ  d t )) je pravdepodobnosť obnovy, kde λ 0 (1 − exp( λ t )) je (deterministická) miera obnovy. P ( p ) = (1,0 − exp(− α  d t )) je pravdepodobnosť ochrany, kde α  =  α0 exp( α t ). P ( d ) = (1,0 − exp(− K  d t )) je pravdepodobnosť úmrtnosti, pričom K  =  0 exp( t ). P ( e ) = (1,0 − exp(− τ d t )) je pravdepodobnosť uvoľnenia z uväznenia, kde τ  =  τ 0 exp( τ t ). Nakoniec P ( q ) = (1,0 − exp(− δ  d t)) je pravdepodobnosť detekcie, kde δ je miera karantény (napríklad, pri ktorej sú infikovaní jedinci izolovaní od zvyšku populácie).

V modeli môžu infikovaní nedetegovaní aj infikovaní detegovaní jedinci infikovať vnímavých jedincov. V modeli zahŕňajúcom teplotu v prenosovej rýchlosti sa príslušné hodnoty β I a β Q vypočítajú takto:

bja=bjaTv;bQ=bQTv)βI(t)=βITinv(t);βQ(t)=βQTinv(t)

kde , s zodpovedajúci k celkovému priemeru časového radu teplôt a f (·) k Savitzky-Golayovmu filtru, ktorý sa používa na vyhladenie teplotného radu s veľkosťou okna 50 údajových bodov a polynómovým poradím 3. Keď je miera infekcie konštantná, jednoducho vynechajte teplotný člen. Pre ďalšie porovnanie, v treťom modeli je β špecifikovaný so sínusovou funkciou periódy rovnajúcej sa 12 mesiacom a odhadovanej fázy.Tvf(T)T¯)Tinv=f(1−T(t)T¯)T¯

Počet jedincov prechádzajúcich z kompartmentu i do j v čase t je určený pomocou binomických rozdelení P ( Xi , P ( y )), kde Xi zodpovedá jednému z kompartmentov S, E, I, Q, R, D, C, a P ( y ) na príslušnú pravdepodobnosť prechodu definovanú vyššie. teda

  • e ( t ) =  P ( S ( t ), P ( e )), noví exponovaní jedinci v čase t

  • p ( t ) =  P ( S ( t ), P ( p )), chránené jedince v čase t

  • i ( t ) =  P ( E ( t ), P ( i )), noví infikovaní nezistení jedinci v čase t

  • q ( t ) =  P ( I ( t ), P ( q )), noví infikovaní a zistení jedinci v čase t

  • r ( t ) =  P ( Q ( t ), P ( r )), celkový počet uzdravených jedincov v čase t

  • d ( t ) =  P ( Q ( t ), P ( d )), celkový počet mŕtvych jedincov v čase t

  • e ( t ) =  P ( C ( t ), P ( e )), jedinci prepustení z väzby v čase t

Potom je konečná dynamika daná nasledujúcimi rovnicami:

SS− d t − − )S(t)=S(t−dt)−e(t)−p(t)+re(t)
AE− d t − )E(t)=E(t−dt)+e(t)−i(t)
jaI− d t − q)I(t)=I(t−dt)+i(t)−q(t)
− d t q− − d)Q(t)=Q(t−dt)+q(t)−r(t)−d(t)
− d t )R(t)=R(t−dt)+r(t)
− d t d)D(t)=D(t−dt)+d(t)
CC− d t − )C(t)=C(t−dt)+p(t)−re(t)

Kalibrácia

Model bol implementovaný pomocou Pythonu a kalibrovaný pomocou algoritmu najmenších štvorcov knižnice Scipy. Chybová funkcia minimalizovaná týmto algoritmom sa získala z normalizovaných zvyškov na základe celkového počtu prípadov (Q + R + D) a úmrtí (D).

Na vyhľadávanie priestoru parametrov sme spustili 100 kalibrácií počínajúc rôznymi počiatočnými voľbami kombinácií parametrov. Tolerancia ukončenia pri zmene nákladovej funkcie bola nastavená na 1 × 10 −10 . Tolerancia ukončenia normou gradientu bola tiež nastavená na 1 × 10 −10 a tolerancia ukončenia zmenou nezávislých premenných bola nastavená na 1 × 10 −10 . Riešiteľom bola metóda lsmr (ktorá je vhodná pre úlohy s riedkymi a veľkými jakobijskými maticami) s diferenciálnym krokom 1 × 10 −5 . S touto konfiguráciou sa každý priebeh montáže zvyčajne zblížil po ~500 iteráciách.

Validácia

Aby sme porovnali model zahŕňajúci vplyv T na prenosovú rýchlosť s modelmi bez neho, vypočítali sme indexy chí-kvadrát, Akaikeho informačného kritéria (AIC) a Bayesovského informačného kritéria (BIC) pre rezíduá získané z optimalizačného procesu. Výsledné hodnoty sú uvedené v doplnkovej tabuľke 1 .

Naša voľba T na moduláciu miery infekcie ( β ) namiesto AH je základom skutočnosti, že časová dynamika oboch faktorov má zhruba rovnaký tvar, s výhodou, že T vykazuje menej oscilačné správanie ako AH. Táto skutočnosť dodáva modelu stabilitu, keď sa pri výpočte β použije inverzný vzťah ( doplnkové informácie ). Tento výber je ďalej posilnený výsledkami z analýz SDC, ktoré priniesli väčšie korelácie pre teplotu, a to aj pri penalizácii za väčšiu autokorelačnú štruktúru.

Naša voľba modulovať β pomocou T namiesto AH vyplýva zo skutočnosti, že časová dynamika oboch klimatických premenných má približne rovnaký tvar, s výhodou, že T vykazuje slabšie oscilácie. Tento menej kolísavý vzor poskytuje stabilitu prispôsobenia modelu, keď sa pri výpočte β použije inverzný vzťah ( doplnkové informácie ). Okrem toho prechodné korelácie získané s SDC poskytli vyššie hodnoty pre T ako pre AH (dokonca aj pri zohľadnení súbežných úrovní autoregresie v týchto dvoch premenných).

Dostupnosť údajov

Údaje o denných počtoch incidencie COVID-19 boli získané zo súboru údajov ECDC 55 pre národné súhrnné údaje a z centra údajov COVID-19 56 pre údaje o incidencii rozčlenené podľa NUTS 2. Národné a regionálne hranice boli získané zo súborov tvarov, ktoré poskytli služby GISCO Eurostat 57 . Meteorologické údaje sa získali z reanalýzy ERA5 prostredníctvom žiadostí API do úložiska údajov o klimatických podmienkach programu Copernicus (CDS) 58 . Získali sme údaje o teplote (vo výške 2 m), tlaku na hladine mora, úhrne zrážok a teplote rosného bodu pre mriežku 0,5° × 0,5° pre analýzu podľa krajiny a pre mriežku 0,25° × 0,25° pre zvyšok. Z teploty 2 m a teploty rosného bodu sme odvodili relatívnu vlhkosť a použili sme balík atmos Python59 na výpočet AH. Gridded Population of the World (GPWv4), vyvinutý Center for International Earth Science Information Network (CIESIN) na Kolumbijskej univerzite, bol získaný z ref. 60 pri rozlíšení 2,5 min. Do našich analýz sme nezahrnuli údaje zo Spojených štátov amerických vzhľadom na veľký geografický rozsah tejto krajiny, ktorá zahŕňa rôzne klimatické zóny, a do značnej miery asynchrónnu implementáciu intervenčných politík v rôznych štátoch. Údaje o výskyte chrípky A a B v meste Kawasaki boli získané z webovej stránky Real-time Surveillance ( https://kidss.city.kawasaki.jp/en/realsurveillance/opendata ) japonského národného epidemiologického dozoru nad infekčnými chorobami 61ako celkový počet denných hlásených prípadov od 1. marca 2014 do 31. decembra 2020. Denné teplotné priemery sa získali spriemerovaním hodinových hodnôt za rovnaké obdobie získaných prostredníctvom opätovnej analýzy ERA5 pre bunky siete pokrývajúce obec Kawasaki (súradnice (139,5, 35,5) a ( 139,75, 35,5) v mriežke 0,25° x 0,25°). Zdrojové údaje pre Obr. 1 až 5 a rozšírené dáta Obr. 1 až 6 sú dostupné v úložisku Code Ocean 62 . Zdrojové údaje pre obrázok 6 sú poskytnuté v tomto dokumente.

Dostupnosť kódu

Kód pre analýzy SDC bol implementovaný ako balík Python dostupný v PyPi (sdcpy 63 ). Kód na zabezpečenie reprodukovateľnosti analýzy je dostupný v kóde Ocean 62 a GitHub ( https://github.com/AlFontal/covid_climate_signatures ).

Referencie

  1. 1.

    Ventilátor, VY, Jamison, DT & Summers, LH Riziko pandémie: aké veľké sú očakávané straty? Bull. World Health Org. 96 , 129-134 (2018).

    Článok Študovňa Google 

  2. 2.

    Shao, W., Li, X., Goraya, MU, Wang, S. & Chen, J.-L. Evolúcia vírusu chrípky mutáciou a preskupením. Int. J. Mol. Sci. 18 , 1650 (2017).

    Článok Študovňa Google 

  3. 3.

    Roy, C. & Milton, D. Prenos prenosnej infekcie vzduchom – nepolapiteľná cesta. N. Engl. J. Med. 350 , 1710-1712 (2004).

    Článok Študovňa Google 

  4. 4.

    Zaki, AM, van Boheemen, S., Bestebroer, TM, Osterhaus, ADME & Fouchier, RAM Izolácia nového koronavírusu od muža so zápalom pľúc v Saudskej Arábii. N. Engl. J. Med. 367 , 1814 – 1820 (2012).

    Článok Študovňa Google 

  5. 5.

    Zhou, P. a kol. Prepuknutie zápalu pľúc spojené s novým koronavírusom pravdepodobne netopierieho pôvodu. Nature 579 , 270-273 (2020).

    Článok Študovňa Google 

  6. 6.

    Úvodné slová generálneho riaditeľa WHO na mediálnom brífingu o COVID-19. WHO (11. marca 2020); https://www.who.int/director-general/speeches/detail/who-director-general-s-opening-remarks-at-the-media-briefing-on-covid-19---11-march- 2020

  7. 7.

    Aktualizácia Worldometer Coronavirus (naživo): 62 125 065 prípadov a 1 451 937 úmrtí na pandémiu vírusu COVID-19 (prístup 18. septembra 2021) https://www.worldometers.info/coronavirus/#countries

  8. 8.

    Faust, JS & del Rio, C. Hodnotenie úmrtí na COVID-19 a na sezónnu chrípku. Stážista JAMA. Med. 180 , 1045-1046 (2020).

    Článok Študovňa Google 

  9. 9.

    Vittecoq, M. a kol. Hrá pri šírení pandemickej chrípky úlohu počasie? Štúdia infekcií H1N1pdm09 vo Francúzsku v rokoch 2009–2010. Epidemiol. Infikovať. 143 , 3384-3393 (2015).

    Článok Študovňa Google 

  10. 10.

    Carlson, CJ, Gomez, ACR, Bansal, S. & Ryan, SJ Mylné predstavy o počasí a sezónnosti nesmú zavádzať reakciu na COVID-19. Nat. komun. 11 , 4312 (2020).

    Článok Študovňa Google 

  11. 11.

    Baker, RE, Yang, W., Vecchi, GA, Metcalf, CJE & Grenfell, BT Citlivá dodávka obmedzuje úlohu klímy v ranej pandémii SARS-CoV-2. Science 369 , 315-319 (2020).

    Článok Študovňa Google 

  12. 12.

    Sajadi, MM a kol. Analýza teploty, vlhkosti a zemepisnej šírky na odhad potenciálneho šírenia a sezónnosti koronavírusovej choroby 2019 (COVID-19). Sieť JAMA otvorená 3 , e2011834–e2011834 (2020).

    Článok Študovňa Google 

  13. 13.

    Ma, Y. a kol. Účinky kolísania teploty a vlhkosti na smrť COVID-19 v čínskom Wu-chane. Sci. Totálne prostredie. 724 , 138226 (2020).

    Článok Študovňa Google 

  14. 14.

    Bashir, MF a kol. Korelácia medzi klimatickými indikátormi a pandémiou COVID-19 v New Yorku, USA. Sci. Totálne prostredie. 728 , 138 835 (2020).

    Článok Študovňa Google 

  15. 15.

    Yu, IT a kol. Dôkaz o prenose vírusu ťažkého akútneho respiračného syndrómu vzduchom. N. Engl. J. Med. 350 , 1731-1739 (2004).

    Článok Študovňa Google 

  16. 16.

    Shaman, J. & Kohn, M. Absolútna vlhkosť moduluje prežitie, prenos a sezónnosť chrípky. Proc. Natl Acad. Sci. USA 106 , 3243-3248 (2009).

    Článok Študovňa Google 

  17. 17.

    Shaman, J., Pitzer, VE, Viboud, C., Grenfell, BT & Lipsitch, M. Absolútna vlhkosť a sezónny nástup chrípky v kontinentálnych Spojených štátoch. PLoS Biol. 8 , e1000316 (2010).

    Článok Študovňa Google 

  18. 18.

    Marr, LC, Tang, JW, Van Mullekom, J. & Lakdawala, SS Mechanistické pohľady na vplyv vlhkosti na prežitie, prenos a výskyt vírusu chrípky vo vzduchu. JR Soc. Rozhranie 16 , 20180298 (2019).

    Článok Študovňa Google 

  19. 19.

    Liu, Y. a kol. Aerodynamická analýza SARS-CoV-2 v dvoch nemocniciach vo Wu-chane. Nature 582 , 557-560 (2020).

    Článok Študovňa Google 

  20. 20.

    Rodo, X. & Rodriguez Arias, MA Nová metóda na detekciu prechodných znakov a štruktúr lokálnej časopriestorovej variability v klimatickom systéme: korelačná analýza závislá od mierky. Clim. Dyn. 27 , 441-458 (2006).

    Článok Študovňa Google 

  21. 21.

    Rodríguez-Arias, MN & Rodó, X. Primér na štúdium prechodnej dynamiky v ekologických sériách pomocou korelačnej analýzy závislej od mierky. Oecologia 138 , 485-504 (2004).

    Článok Študovňa Google 

  22. 22.

    Rodó, X. Obrátenie troch globálnych atmosférických polí spájajúcich zmeny v anomáliách SST v Tichom oceáne, Atlantiku a Indickom oceáne v tropických zemepisných šírkach a stredných šírkach. Clim. Dyn. 18 , 203-217 (2001).

    Článok Študovňa Google 

  23. 23.

    Rodó, X., Pascual, M., Fuchs, G. & Faruque, ASG ENSO a cholera: nestacionárne prepojenie súvisiace so zmenou klímy? Proc. Natl Acad. Sci. USA 99 , 12901-12906 (2002).

    Článok Študovňa Google 

  24. 24.

    Rodó, X. a kol. Troposférické vetry zo severovýchodnej Číny prenášajú etiologického pôvodcu Kawasakiho choroby z jej zdroja do Japonska. Proc. Natl Acad. Sci. USA 111 , 7952-7957 (2014).

    Článok Študovňa Google 

  25. 25.

    López, L. & Rodó, X. Koniec sociálneho uväznenia a riziko opätovného výskytu COVID-19. Nat. Hum. Správaj sa. 4 , 746-755 (2020).

    Článok Študovňa Google 

  26. 26.

    Audi, A. a kol. Sezónnosť respiračných vírusových infekcií: bude COVID-19 nasledovať?. Predné. Verejné zdravotníctvo 8 , 567184 (2020).

    Článok Študovňa Google 

  27. 27.

    Ma, Y., Pei, S., Shaman, J., Dubrow, R. & Chen, K. Úloha meteorologických faktorov pri prenose SARS-CoV-2 v Spojených štátoch. Nat. komun. 12 , 3602 (2021).

    Článok Študovňa Google 

  28. 28.

    Lipsitch, M. & Viboud, C. Sezónnosť chrípky: zdvíhanie hmly. Proc. Natl Acad. Sci. USA 106 , 3645-3646 (2009).

    Článok Študovňa Google 

  29. 29.

    Deyle, ER, Maher, MC, Hernandez, RD, Basu, S. & Sugihara, G. Globálne environmentálne faktory chrípky. Proc. Natl Acad. Sci. USA 113 , 13081 – 13086 (2016).

    Článok Študovňa Google 

  30. 30.

    Vzdušný prenos SARS CoV 2—Virtuálny workshop (The National Academies of Science, Engineering and Medicine, 2020); https://www.nationalacademies.org/event/08-26-2020/airborne-transmission-of-sars-cov-2-a-virtual-workshop

  31. 31.

    Irwin, CK a kol. Použitie metodológie systematického prehľadu na vyhodnotenie faktorov, ktoré ovplyvňujú perzistenciu vírusu chrípky v environmentálnych matriciach. Appl. Environ. Microbiol. 77 , 1049-1060 (2011).

    Článok Študovňa Google 

  32. 32.

    Chan, KH a kol. Účinky teploty a relatívnej vlhkosti na životaschopnosť koronavírusu SARS. Adv. Virol. 2011 , 734690 (2011).

    Článok Študovňa Google 

  33. 33.

    Morris, DH a kol. Mechanistická teória predpovedá účinky teploty a vlhkosti na inaktiváciu SARS-CoV-2 a iných obalených vírusov. Elife 10 , e65902 (2021).

    Článok Študovňa Google 

  34. 34.

    Woese, C. Tepelná inaktivácia živočíšnych vírusov. Ann. NY Acad. Sci. 83 , 741-751 (1960).

    Článok Študovňa Google 

  35. 35.

    Boone, SA & Gerba, CP Význam fomitov pri šírení respiračných a enterických vírusových ochorení. Appl. Environ. Microbiol. 73 , 1687-1696 (2007).

    Článok Študovňa Google 

  36. 36.

    Moriyama, M., Hugentobler, WJ & Iwasaki, A. Sezónnosť respiračných vírusových infekcií. Annu. Virol. 7 , 83-101 (2020).

    Článok Študovňa Google 

  37. 37.

    Lowen, AC, Mubareka, S., Steel, J. & Palese, P. Prenos vírusu chrípky je závislý od relatívnej vlhkosti a teploty. PLoS Pathog. 3 , 1470-1476 (2007).

    Článok Študovňa Google 

  38. 38.

    Zhao, Y. a kol. Jednobunkové RNA expresné profilovanie ACE2, receptora SARS-CoV-2. Am. J. Resp. Crit. Care Med. 202 , 756-759 (2020).

    Článok Študovňa Google 

  39. 39.

    Hamming, I. a kol. Tkanivová distribúcia proteínu ACE2, funkčného receptora pre koronavírus SARS. Prvý krok k pochopeniu patogenézy SARS. J. Pathol. 203 , 631-637 (2004).

    Článok Študovňa Google 

  40. 40.

    Dyal, JW COVID-19 medzi pracovníkmi v zariadeniach na spracovanie mäsa a hydiny – 19 štátov, apríl 2020. Morb. Smrteľný. Wkly Rep 69 , 557–561 (2020).

    Študovňa Google 

  41. 41.

    Vykurovacie, ventilačné a klimatizačné systémy ECDC v kontexte COVID-19: prvá aktualizácia. ECDC (11. novembra 2020); https://www.ecdc.europa.eu/en/publications-data/heating-ventilation-air-conditioning-systems-covid-19

  42. 42.

    Lynch, RM & Goring, R. Praktické kroky na zlepšenie prúdenia vzduchu v izbách s dlhodobou starostlivosťou na zníženie rizika infekcie COVID-19. J. Am. Med. Riaditelia doc. 21 , 893-894 (2020).

    Článok Študovňa Google 

  43. 43.

    Azuma, K., Kagi, N., Kim, H. & Hayashi, M. Vplyv klímy a znečistenia okolitého ovzdušia na rast epidémie počas vypuknutia COVID-19 v Japonsku. Environ. Res. 190 , 110042 (2020).

    Článok Študovňa Google 

  44. 44.

    Moriyama, M. & Ichinohe, T. Vysoká teplota okolia tlmí adaptívne imunitné reakcie na infekciu vírusom chrípky A. Proc. Natl Acad. Sci. USA 116 , 3118 – 3125 (2019).

    Článok Študovňa Google 

  45. 45.

    Chapin, CV Zdroje a spôsoby infekcie (Wiley, 1912).

    Študovňa Google 

  46. 46.

    Keene, CH Nákaza prenášaná vzduchom a hygiena vzduchu. William Firth Wells. J. School Health 25 , 249-249 (1955).

    Článok Študovňa Google 

  47. 47.

    Lednický, JA a kol. Životaschopný SARS-CoV-2 vo vzduchu nemocničnej izby s pacientmi COVID-19. Int. J. Infect. Dis. 100 , 476-482 (2020).

    Článok Študovňa Google 

  48. 48.

    Somsen, GA, Rijn, CV, Kooij, S., Bem, RA & Bonn, D. Malé kvapôčkové aerosóly v zle vetraných priestoroch a prenos SARS-CoV-2. Lancet resp. Med. 8 , 658-659 (2020).

    Článok Študovňa Google 

  49. 49.

    Morawska, L. & Milton, DK Je čas zaoberať sa prenosom koronavírusového ochorenia 2019 (COVID-19) vzduchom. Clin. Infikovať. Dis. 71 , 2311-2313 (2020).

    Študovňa Google 

  50. 50.

    Tanne, JH Covid-19: CDC zverejňuje a následne sťahuje informácie o prenose aerosólov. BMJ (24. septembra 2020) https://doi.org/10.1136/bmj.m3739

  51. 51.

    Zhang, R., Li, Y., Zhang, AL, Wang, Y. & Molina, MJ Identifikácia prenosu vzduchom ako dominantnej cesty šírenia COVID-19. Proc. Natl Acad. Sci. USA 117 , 14857 – 14863 (2020).

    Článok Študovňa Google 

  52. 52.

    Jayaweera, M., Perera, H., Gunawardana, B. & Manatunge, J. Prenos vírusu COVID-19 kvapôčkami a aerosólmi: kritický prehľad o nevyriešenej dichotómii. Environ. Res. 188 , 109 819 (2020).

    Článok Študovňa Google 

  53. 53.

    Nishiura, H., Linton, NM & Achmetzhanov, AR Sériový interval infekcií novým koronavírusom (COVID-19). Int. J. Infect. Dis. 93 , 284-286 (2020).

    Článok Študovňa Google 

  54. 54.

    Wallinga, J. & Lipsitch, M. Ako generačné intervaly formujú vzťah medzi rýchlosťou rastu a reprodukčným počtom. Proc. R. Soc. B Biol. Sci. 274 , 599-604 (2007).

    Článok Študovňa Google 

  55. 55.

    ECDC Stiahnite si historické údaje (do 14. decembra 2020) o dennom počte nových hlásených prípadov a úmrtí COVID-19 na celom svete. ECDC (14. decembra 2020); https://www.ecdc.europa.eu/en/publications-data/download-todays-data-geographic-distribution-covid-19-cases-worldwide

  56. 56.

    Guidotti, E. & Ardia, D. COVID-19 dátové centrum. J. Open Source Softw. 5 , 2376 (2020).

    Článok Študovňa Google 

  57. 57.

    NUTS – GISCO (Eurostat) https://ec.europa.eu/eurostat/web/gisco/geodata/reference-data/administrative-units-statistical-units/nuts#nuts21/

  58. 58.

    Hersbach, H. a kol. Globálna reanalýza ERA5. QJR Meteorol. Soc. 146 , 1999-2049 (2020).

    Článok Študovňa Google 

  59. 59.

    atmos-python: užitočná knižnica vied o atmosfére. GitHub https://github.com/atmos-python/atmos (2021).

  60. 60.

    SEDAC Gridded population of the World, Version 4 (GPWv4): Population Count, Revision 11. SEDAC (Columbia University, 2018); https://sedac.ciesin.columbia.edu/data/set/gpw-v4-population-count-rev11

  61. 61.

    Systém sledovania infekčných chorôb KIDSS Kawasaki City. KIDSS (október 2021); https://kidss.city.kawasaki.jp/en/realsurveillance/opendata

  62. 62.

    Fontal, A., Bouma, MJ, San Jose, A., Pascual, M. a Rodo, X. Klimatické podpisy v rôznych pandemických vlnách COVID-19 na oboch hemisférach https://doi.org/10.24433/CO.5600300 .v1 (2021).

  63. 63.

    Fontal, A. AlFontal / sdcpy (Zenodo, 2021); https://doi.org/10.5281/zenodo.4949813

Stiahnite si referencie

Poďakovanie

Oceňujeme podporu A. Navarra pri vývoji aplikácií SDC. AF priznáva finančnú podporu od spoločnosti HELICAL v rámci výskumného a inovačného programu Európskej únie Horizont 2020 v rámci grantovej zmluvy Marie Skłodowska-Curie č. 81354. XR oceňuje podporu od španielskeho ministerstva vedy a inovácií prostredníctvom programu „Centro de Excelencia Severo Ochoa 2019 2023“ (CEX2018 000806S) a podporu od Generalitat de Catalunya prostredníctvom programu CERCA. ASJ bola podporená štipendiom nadácie 'la Caixa', Španielsko (ID 100010434, kód štipendia LCF/BQ/DR19/11740017).

Informácie o autorovi

Afiliácie

Príspevky

AF sa podieľal na metodológii, softvéri, formálnej analýze, správe údajov, vizualizácii a písaní, kontrole a úprave rukopisu. MJB prispel k napísaniu pôvodného návrhu a preskúmaniu a úprave rukopisu. ASJ prispela k softvéru, formálnej analýze a správe údajov. LL prispel k softvéru, formálnej analýze a správe údajov. MP prispel k napísaniu pôvodného návrhu a preskúmaniu a úprave rukopisu. XR prispela ku konceptualizácii, metodológii, dohľadu, softvéru, napísaniu pôvodného návrhu a kontrole a úprave rukopisu. Do diskusie a interpretácie výsledkov sa zapojili všetci autori.

zodpovedajúci Autor

Korešpondencia Xavierovi Rodóovi .

Etické vyhlásenia

Konkurenčné záujmy

Autori nedeklarujú žiadne konkurenčné záujmy.

Ďalšie informácie

Informácie z odborných posudkov Nature Computational Science ďakuje Muhammadovi Farhanovi Bashirovi a ostatným anonymným recenzentom za ich príspevok k odbornému posúdeniu tejto práce. K dispozícii sú prehľady odborných recenzentov. Editor manipulácie: Fernando Chirigati v spolupráci s tímom Nature Computational Science .

Poznámka vydavateľa Springer Nature zostáva neutrálny, pokiaľ ide o jurisdikčné nároky v publikovaných mapách a inštitucionálnych pridruženiach.

Rozšírené údaje

 

Rozšírené údaje Obr. 1 Porovnanie odhadovaného R0 v jednotlivých krajinách počas počiatočných fáz pandémie v kontraste s ich meteorologickými podmienkami.

Odhadovaný základný reprodukčný počet (R0) počas počiatočných fáz pandémie pre všetky krajiny zahrnuté do štúdie (n=162). (A) Aby sme sa zamerali na počiatočný nárast prvej vlny, tieto odhady sú založené na kumulatívnych prípadoch COVID-19 počas prvých 20 dní po 20. potvrdenom prípade v každej krajine (pozri Metódy). Rozptylové grafy zobrazujúce variácie odhadovaného R0 pre rôzne krajiny ako funkciu ich priemerných teplôt [  C] (B) a absolútnej vlhkosti [g/m 3 ] (C) počas počiatočnej fázy pandémie. Čierne čiary a R 2hodnoty zodpovedajú odhadom jednorozmerného lineárneho modelu v oboch prípadoch, preloženého pomocou obyčajných najmenších štvorcov (s p < 0,001 v oboch prípadoch v dvojstrannom T-teste). Zo 162 zahrnutých krajín na celom svete sú čísla zodpovedajúce každému kontinentu nasledovné: Afrika (n=50), Ázia a Oceánia (n=45), Európa (n=38), Severná Amerika (n=16) a juh Amerika (n=12). Na porovnanie, odhady RO získané po prvých 100 hlásených prípadoch (skôr ako 20) sú uvedené v rozšírených údajoch na obr. 2(A) . Pozorujú sa podobné priestorové vzory. Priestorové rozloženie priemerných teplôt a absolútnej vlhkosti, ako aj národné váhy založené na relatívnej hustote obyvateľstva, použité na výpočet týchto priemerov, sú zobrazené na rozšírených údajoch obr. 2(BD) .

Rozšírené údaje Obr. 2 Celosvetové mapy pre odhadovaný počiatočný R0, premenné počasia a hustotu obyvateľstva.

(A) Geografická distribúcia pre R0, keď sa odhaduje s použitím obdobia 20 dní po 100. prípade COVID19 (pre porovnanie s rozšírenými údajmi Obr. 1 ). (B) Geografické rozdelenie relatívnych váh pridelených každej bunke v mriežke 1 × 1  . Váhy predstavujú zlomok populácie žijúcej v každej bunke pre každú krajinu. Mapy v C a D zodpovedajú priemerom AH a T +/-10 dní pred/po dni oznámenia 20. prípadu COVID19 v každej krajine, resp.

Rozšírené údaje Obr. 3 Analýza regresnej citlivosti.

Testy citlivosti pre OLS regresné modely sú v rozšírenom dát obr. 1 . (A) 95 % CI odhadovaných sklonov regresií OLS ( β H a β T ) pre rôzne hodnoty počtu dní (18 až 27) a počiatočného počtu prípadov (15 až 45) použitých na odhad R0 (pozri Metódy). B a C znázorňujú distribúciu všetkých regresných čiar získaných pri zvažovaní variácií v dňoch a prípadoch uvedených v A pre AH a T, v tomto poradí. Plná čiara je stredná regresná čiara a tieňovaný interval zodpovedá oblasti, ktorú zaberajú najextrémnejšie regresné čiary spomedzi 70 testovaných súborov parametrov. (D) Celý rozsah R 2odhady získané ako výsledok analýzy citlivosti. Výsledky podporujú odolnosť a stabilitu výsledkov v Extended dát na obr. 1 .

Rozšírené údaje Obr. 4 Analýzy SDC pre agregované prípady COVID-19 a absolútnu vlhkosť pre skupiny susediacich krajín.

To isté ako na obrázku 1, ale pre absolútnu vlhkosť (g / m 3 ).

Rozšírené údaje Obr. 5 Korelačné analýzy T/AH s prípadmi COVID-19 v závislosti od mierky počas počiatočnej vlny a leta v Katalánsku v Španielsku.

Idem as Fig. 3 (A-D) but for Catalonia (Spain).

Rozšírené údaje Obr. 6 Distribúcia poveternostných podmienok a ich vplyv na COVID-19 šíriaci sa cez vlny v Španielsku a Taliansku.

(A) Rozloženie denných priemerov absolútnej vlhkosti a teploty pre Taliansko a Španielsko počas celého posudzovaného obdobia (15. februára 2020 až 31. januára 2021). (B) Porovnanie frekvencie významných negatívnych lokálnych korelácií pre rôzne rozsahy absolútnej vlhkosti zistených v analýzach SDC (s=21) pre talianske a španielske regióny počas troch definovaných období pandémie COVID19 (pozri metódy). (C) Rozloženie denných priemerov absolútnej vlhkosti v rovnakých regiónoch počas neskorých vĺn pandémie (október 2020 až január 2021).

Rozšírené údaje Obr. 7 Viacúrovňová SDC analýza COVID-19 a teploty v Južnej Afrike, Argentíne a Kanade.

Znázornenie výsledkov spustenia viacerých obojsmerných SDC na stupniciach od 5 do 100 dní pre priemerné denné teploty v porovnaní s počtom hlásených denných nových prípadov COVID19 v Južnej Afrike, Argentíne v Kanade za obdobie od februára do decembra 2020. horné panely (červené) predstavujú minimálnu významnú Spearmanovu koreláciu zistenú pre každý pár veľkosti okna a dátumu, zatiaľ čo stredné panely (modré) predstavujú maximálnu významnú koreláciu pre rovnaký pár premenných. Spodné panely zobrazujú 7-dňový kĺzavý priemer denných hlásených nových prípadov pre každý z regiónov.

Rozšírené údaje Obr. 8 Správnosť zhody matematického modelu.

Stredná štvorcová chyba každého z modelov, regiónov a období v štúdii prispôsobená procesnému modelu.

Rozšírené údaje Obr. 9 Porovnanie historického výskytu chrípky a poveternostných podmienok v Kawasaki City.

A a D ukazujú denné priemery absolútnej vlhkosti a teploty v prefektúre Kanagawa oproti denne hláseným prípadom chrípky A a B v meste Kawasaki. Nižšie sú uvedené výsledky analýzy SDC vykonanej pri s=30 pre absolútnu vlhkosť proti chrípke A (B) a chrípke B (C) a teplotu proti chrípke A (E) a chrípke B (F).

Doplňujúce informácie

Doplňujúce informácie

Doplnkové obr. 1–8, tabuľka 1 a diskusia.

Informácie o partnerskom hodnotení

Zdrojové údaje

Zdrojové údaje Obr. 6

Jednospektrálna analýza (SSA)-rozložené denné časové rady pre prípady chrípky A/B, teploty a absolútnej vlhkosti v Kawasaki City.

7.11.2021 Spracoval: ® OZ Dôstojnosť Slovensko. Všetky práva vyhradené!!

Potrebujeme vašu pomoc:  Bez vašej pomoci by sme toto nedokázali.

Neziskový sektor: SLSP

Názov účtu: Dôstojnosť Slovenska

SK28 0900 0000 0051 7971 8989

Všetky práva vyhradené OZ Dôstojnosť Slovenska. Zdieľanie dovolené.

 

 

 

 

Súvisiace články

Najčítanejšie články

more
Copyright © Free Joomla! 4 templates / Design by Galusso Themes