5 quốc gia hàng đầu bị ảnh hưởng bởi covid-19 năm 2022

Giám sát sức khỏe cộng đồng JMIR. 2020 tháng 4-tháng 6; 6 (2): E19115. 2020 Apr-Jun; 6(2): e19115.

Giám sát biên tập: Yousef Khader và Gunther Eysenbach

Ram Kumar Singh, Tiến sĩ, MSC, BSC, 1 Meenu Rani, Mtech, 2 Akshaya Srikanth Bhagavathula, Pharmd, 3 Ranjit Sah, MD, 4 Alfonso J Rodriguez-Morales Nanda, BSC, 6 Shashi Sharma, Mtech, Btech, 7 Yagya Datt Sharma, Btech, 8 Ali A Rabaan, Tiến sĩ, 9 Jamal Rahmani, MSC, 10 và Pavan Kumar, Tiến sĩ, MTECH11

1 Bộ Tài nguyên thiên nhiên, Trường Nghiên cứu Tiên tiến TERI, New Delhi, Ấn Độ

2 Đại học Kumaun, Nainital, Ấn Độ

3 Viện Y tế Công cộng, Đại học Y khoa và Khoa học Y tế, Đại học Tiểu vương quốc Ả Rập Thống nhất, Al Ain, Các Tiểu vương quốc Ả Rập Thống nhất

4 Viện Y khoa, Đại học Tribhuvan, Kathmandu, Nepal

5 Nhóm nghiên cứu về sức khỏe và nhiễm trùng cộng đồng, Khoa Khoa học Y tế, Đại học Tecnologica de Pereira, Colombia, SC, Hoa Kỳ

6 Khoa Khoa học & Công nghệ, Trung tâm Ứng dụng Không gian Haryana, Hisar, Ấn Độ

7 Tập đoàn hệ thống neo, Reston, VA, Hoa Kỳ

8 Hughes Systique Corporation, Germantown, MD, Hoa Kỳ

9 Phòng thí nghiệm chẩn đoán phân tử, Johns Hopkins Aramco Health, Dhahran, Ả Rập Saudi

10 Khoa Dinh dưỡng Cộng đồng, Viện nghiên cứu công nghệ thực phẩm và dinh dưỡng quốc gia, Đại học Khoa học Y khoa Shahid Beheshti, Tehran, Iran

11 Đại học trồng trọt và lâm nghiệp, Rani Lakshmi Bai Đại học Nông nghiệp Trung ương, Jhansi, Ấn Độ

Pavan Kumar, Đại học trồng trọt và lâm nghiệp, Rani Lakshmi Bai Đại học Nông nghiệp Trung tâm, NH-75, gần đập Pahuj, Đường Gwalior, Jhansi, 284003, Ấn Độ, Điện thoại: 91 9785879797College of Horticulture and Forestry, Rani Lakshmi Bai Central Agricultural University, NH-75, Near Pahuj Dam, Gwalior Road, Jhansi, 284003, India, Phone: 91 9785879797, Email: moc.liamg@7062nawap.

trừu tượng

Tiểu sử

Bệnh coronavirus (Covid-19) đã ảnh hưởng đến hơn 200 quốc gia và đã lây nhiễm hơn 2.800.000 người tính đến ngày 24 tháng 4 năm 2020. Lần đầu tiên nó được xác định tại Thành phố Vũ Hán tại Trung Quốc vào tháng 12 năm 2019.

Khách quan

Mục đích của nghiên cứu này là xác định 15 quốc gia hàng đầu với ánh xạ không gian của các trường hợp được xác nhận. Một so sánh đã được thực hiện giữa 15 quốc gia hàng đầu được xác định cho các trường hợp được xác nhận, tử vong và thu hồi và mô hình trung bình di chuyển tích hợp tự phát (ARIMA) tiên tiến đã được sử dụng để dự đoán các quỹ đạo lan truyền bệnh Covid-19 trong 2 tháng tới.

Phương pháp

Việc so sánh các trường hợp tích lũy và dự đoán gần đây đã được thực hiện cho 15 quốc gia hàng đầu với các trường hợp được xác nhận, tử vong và phục hồi từ Covid-19. Bản đồ không gian rất hữu ích để xác định cường độ của nhiễm trùng Covid-19 ở 15 quốc gia hàng đầu và các lục địa. Dữ liệu được báo cáo gần đây cho các trường hợp được xác nhận, tử vong và thu hồi trong 3 tháng qua đã được thể hiện và so sánh giữa 15 quốc gia bị nhiễm bệnh hàng đầu. Mô hình ARIMA nâng cao đã được sử dụng để dự đoán dữ liệu trong tương lai dựa trên dữ liệu chuỗi thời gian. Mô hình ARIMA cung cấp các giá trị trọng lượng và giá trị lỗi trong quá khứ để sửa dự đoán mô hình, vì vậy nó tốt hơn so với các phương pháp hồi quy cơ bản và theo cấp số nhân khác. Việc so sánh các trường hợp tích lũy và dự đoán gần đây đã được thực hiện cho 15 quốc gia hàng đầu với các trường hợp được xác nhận, tử vong và phục hồi từ Covid-19.

Kết quả

15 quốc gia hàng đầu với số lượng lớn các trường hợp được xác nhận đã được phân tầng để bao gồm dữ liệu trong một mô hình toán học. 15 quốc gia hàng đầu được xác định với các trường hợp tích lũy, tử vong và sự phục hồi từ Covid-19 đã được so sánh. Hoa Kỳ, Vương quốc Anh, Thổ Nhĩ Kỳ, Trung Quốc và Nga đã chứng kiến ​​sự lây lan tương đối nhanh của căn bệnh này. Có một tỷ lệ phục hồi nhanh ở Trung Quốc, Thụy Sĩ, Đức, Iran và Brazil, và tỷ lệ phục hồi chậm ở Hoa Kỳ, Vương quốc Anh, Hà Lan, Nga và Ý. Có tỷ lệ tử vong cao ở Ý và Vương quốc Anh và tỷ lệ tử vong thấp hơn ở Nga, Thổ Nhĩ Kỳ, Trung Quốc và Hoa Kỳ. Mô hình ARIMA đã được sử dụng để dự đoán các trường hợp, trường hợp tử vong và sự phục hồi được ước tính cho 15 quốc gia hàng đầu từ ngày 24 tháng 4 đến ngày 7 tháng 7 năm 2020. Giá trị của nó được biểu thị với giá trị khoảng tin cậy 95%, 80%và 70%. Việc xác thực mô hình ARIMA được thực hiện bằng cách sử dụng giá trị tiêu chí thông tin Akaike; Giá trị của nó là khoảng 20, 14 và 16 đối với các trường hợp được xác nhận tích lũy, tử vong và phục hồi của Covid-19, tương ứng, đại diện cho kết quả chấp nhận được.

Kết luận

Các giá trị dự đoán được quan sát cho thấy các trường hợp, tử vong và sự phục hồi được xác nhận sẽ tăng gấp đôi ở tất cả các quốc gia quan sát được ngoại trừ Trung Quốc, Thụy Sĩ và Đức. Nó cũng được quan sát thấy rằng tỷ lệ tử vong và phục hồi đã tăng nhanh hơn khi so sánh với các trường hợp được xác nhận trong 2 tháng tới. Tỷ lệ tử vong liên quan sẽ cao hơn nhiều ở Hoa Kỳ, Tây Ban Nha và Ý theo sau là Pháp, Đức và Vương quốc Anh. Phân tích dự báo của động lực học Covid-19 cho thấy một góc độ khác nhau cho toàn thế giới, và nó trông đáng sợ hơn so với tưởng tượng, nhưng số lượng phục hồi bắt đầu có vẻ hứa hẹn vào ngày 7 tháng 7 năm 2020.

Từ khóa: SARS-CoV2, Covid-19, Coronavirus, Dự báo, Dự đoán, Mô hình ArimaSARS-COV2, COVID-19, coronavirus, forecast, prediction, ARIMA models

Giới thiệu

Tiểu sử

Tại Hội nghị Quốc tế Y tế Thế giới tại Geneva vào tháng 1 năm 2020, Tổ chức Y tế Thế giới (WHO) đã công bố sự bùng phát của coronavirus mới. Coronavirus tiểu thuyết (Hội chứng hô hấp cấp tính nghiêm trọng [SARS] coronavirus 2) từ Vũ Hán, Trung Quốc đã tiếp tục lan rộng khắp thế giới kể từ tháng 1 năm 2020 và đã biến thành một đại dịch của bệnh coronavirus (Covid-19) [1,2]. Do khả năng lan rộng nhanh chóng và không có vắc-xin và thuốc, covid-19 truyền nhiễm tàn phá cuộc sống bình thường trên khắp thế giới. Hiện tại, Covid-19 đã lây nhiễm hơn nửa triệu dân, đã giết chết hơn 25.000 người và đã buộc hơn 3 tỷ người phải ở trong nhà [3]. Nhiều người bắt đầu bị viêm phổi mà không có bất kỳ lý do gì, và hầu hết các trường hợp được liên kết với thị trường hải sản Vũ Hán, nơi họ bán cá và thương mại động vật sống. Các coronavirus mới ẩn nấp trên khắp thế giới đang đe dọa sự cai trị của chúng ta, và sự phổ biến của nỗi sợ hãi và hoảng loạn đang gia tăng. Điều này cũng đã ảnh hưởng đến thị trường tiền điện tử [4,5]. Đất nước mà coronavirus đã gây ra sự tàn phá nhất sau Trung Quốc là Ý. Ở Ý, hàng trăm người đang chết mỗi ngày do virus chết người này. Virus corona nhỏ hơn 900 lần so với tóc người. Mặc dù kích thước của nó, nhưng virus nhỏ này đã sợ hãi cả thế giới. Vào tháng 12 năm 2019, trường hợp đầu tiên của Covid-19 đến từ Thành phố Vũ Hán ở Trung Quốc [6-8].

Trong cuộc di cư năm mới của Trung Quốc, virus đã lan sang các tỉnh khác của Trung Quốc vào đầu và giữa tháng 1 năm 2020. WHO [3] tiết lộ rằng các trường hợp bắt đầu được phát hiện ở các quốc gia khác bởi khách du lịch quốc tế. Do thiếu kiến ​​thức về virus này, đại dịch Covid-19 đã gây căng thẳng rất lớn cho mọi người trên khắp thế giới. Để ngăn chặn việc truyền thêm, các biện pháp phòng ngừa mạnh mẽ đã tăng cường hàng tuần; Tuy nhiên, số lượng các trường hợp bị nhiễm bệnh đang tăng lên trên toàn thế giới, ngay cả sau khi trải qua khóa. Các phương pháp toán học đã được sử dụng rộng rãi để suy ra các chuyển đổi dịch tễ học quan trọng và các thông số của Covid-19. Dữ liệu phù hợp với đường cong dịch bệnh, dữ liệu giám sát trong quá trình truyền sớm và các mô hình dịch bệnh khác thường được áp dụng để tạo ra dự báo của đại dịch CoVID-19 trên toàn thế giới [9-11]. Nghiên cứu này nhằm xác định 15 quốc gia hàng đầu với các trường hợp được xác nhận nhất với ánh xạ không gian. Một so sánh đã được thực hiện giữa 15 quốc gia hàng đầu được xác định cho các trường hợp được xác nhận, tử vong và thu hồi và mô hình trung bình di chuyển tích hợp tự phát (ARIMA) tiên tiến đã được sử dụng để dự đoán sự lây lan của các quỹ đạo Covid-19 trong 2 tháng tới (cho đến ngày 7 tháng 7 , 2020).

Khu vực nghiên cứu

Các nghiên cứu khác nhau đã được trình bày để dự báo nhiều bệnh dịch. Nghiên cứu này phân tích các mô hình động để tạo ra dự báo 20 ngày về các trường hợp tử vong được xác nhận tích lũy và phục hồi từ các trường hợp Covid-19 theo quốc gia, lãnh thổ hoặc vận chuyển được tạo ra vào ngày 24 tháng 4 năm 2020. Hoa Kỳ, Tây Ban Nha, Ý, Pháp, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức, Đức Vương quốc Anh, Thổ Nhĩ Kỳ, Iran, Trung Quốc, Nga, Brazil, Canada, Bỉ, Hà Lan và Thụy Sĩ được lấy từ 20 quốc gia hàng đầu dựa trên dữ liệu hiệu quả tích lũy. Mô hình ARIMA gán trọng số cho các giá trị trước đây được xem xét và giá trị lỗi để sửa mô hình; Các mô hình hồi quy cơ bản và hàm mũ cơ bản khác sử dụng tất cả các giá trị trước đây để dự đoán các giá trị trong tương lai, do đó mô hình ARIMA được ưa thích. Nghiên cứu này đã phân tích và trích xuất dữ liệu trên toàn thế giới dựa trên cách tiếp cận mô hình dự đoán nâng cao dựa trên dữ liệu theo chuỗi thời gian cho 15 quốc gia bị nhiễm Covid-19 hàng đầu.

Phương pháp

Dữ liệu

Chúng tôi đã sử dụng dữ liệu từ Worldometer, báo cáo dữ liệu gần đúng của các trường hợp tích lũy cho hơn 170 quốc gia trên toàn thế giới bao gồm các trường hợp cấp tiểu bang hoặc tỉnh đối với một số quốc gia [12]. Chúng tôi đã thu thập dữ liệu trường hợp cho mỗi ngày tại các thời gian quy định nhất định, từ ngày 21 tháng 1 năm 2020, đến ngày 24 tháng 4 năm 2020. Hơn nữa, chúng tôi đã xử lý trước 15 quốc gia hàng đầu với các vị trí không gian của họ để thu thập và tạo một số thuộc tính không gian cho tổng thể Bộ dữ liệu có sẵn để dự báo quỹ đạo của các trường hợp Covid-19. Ngoài ra, vì toàn bộ dữ liệu trên toàn thế giới không có sẵn cho thời gian quy định, chúng tôi không tạo ra bất kỳ dự báo đại dịch nào trên toàn thế giới. Một số ngày với các trường hợp covid-19 được xác nhận cùng với tổng kết quả tích lũy của các trường hợp được phục hồi và các trường hợp tử vong được phân tích bằng phân tích thống kê cùng với sự tuyệt chủng không gian. Chúng tôi đã sử dụng mô hình ARIMA với R (R Foundation cho Điện toán thống kê) và xác nhận nó bằng Tiêu chí Thông tin Akaike (AIC). Dữ liệu dự kiến ​​mới đã được sử dụng cho đến ngày 2 tháng 7 năm 2020, để tạo ra điểm số được dự kiến ​​cho từng loại: trường hợp được xác nhận, phục hồi và tử vong.

Recent reported cumulative data of confirmed cases, deaths, and recoveries of COVID-19 from January 21 to April 26, 2020, were obtained from Worldometer. The reported data were used to predict more than 60 days and to understand the positive effects in the near future as well as the projected trends over trajectories. The different statistical phenomenological models in the R-language platform were used to analyze the disease-based trajectories model for prediction purposes. The four models were used to analyze the aggregate data set for time series analysis. This includes the ARIMA model, which is a mass model of two different models, including the autoregression (AR) model and the moving average (MA) model [13]. This model also used AIC statistics and coverage of regression analysis.

Another type of COVID-19, like SARS disease, was analyzed without breaking the current situation or predicting the future perspective [14]. The vector auto-average model was used to predict the spatial extinct while using remote sensing data for the purpose of the creation of a worldwide geographic information system (GIS) map for three different variables [15]. These three variables in the GIS environment created a map of cumulative confirmed cases by country as well as recovered and death maps [16]. The use of another statistical analysis was a generalized logistic growth model, which generally is depicted as a scaling parameter for integrating an additional result-oriented value put method [17]. Some epidemic models used in disease epidemic conditions measure oscillates, which are multiple peak parameters inferred in subepidemic and pandemic conditions to determine the projected outcomes [18].

After standardizing all the models, the data of the top 20 countries were included to analyze the forecasting models of differential spatial adjacent and projected trajectories, which were analyzed up to July 2, 2020. We used the GIS and remote sensing to determine the pandemic mapping and analyze the upcoming effects of COVID-19.

ARIMA

MA is the present value of a series, which is defined as a linear combination of past errors. Assuming the errors to be independently distributed with the normal distribution [13,19], order q is defined as:

yt = c + εt + θ1yt–1 + θ2yt–2 + ….….….….… + θqyt–q(1)

Where:

• εt=white noise

• yt-1 and yt-2=lags

Order q of the MA process is obtained from the autocorrelation function (ACF) plot; this is the lag after which ACF crosses the upper confidence interval for the first time. We combined differencing with MA and AR models, and the combined model can be expressed as:

y′t = c + ϕ1y′t–1 + ϕ2y′t–2 + ... + ϕpy′t–p + θ1yt–1 + θ2yt-2 + ….… + θqyt–q + εt(2)

Here, y′t is the differenced series. The “predictors” on the right-hand side include both lagged values of yt and lagged errors. We call this an ARIMA (p, d, q) model, where:

• q=order of the MA part

• d=degree of first differencing involved

• p=order of the AR part

Results

The top 15 countries were identified using mapping of cumulative confirmed COVID-19 cases from January to April 24, 2020, for 200 nations as presented in Figure 1. The top 15 countries with a high number of confirmed cases were stratified to include the data in a mathematical model. The top 15 countries’ (the United States, Spain, Italy, France, Germany, the United Kingdom, Turkey, Iran, China, Russia, Brazil, Canada, Belgium, the Netherlands, and Switzerland) cumulative cases, deaths, and recoveries from COVID-19 were compared in Figure 2. The United States, The United Kingdom, Turkey, China, and Russia saw a relatively fast spread of the disease. There was a fast recovery ratio in China, Switzerland, Germany, Iran, and Brazil, but a slow recovery ratio in the United States, the United Kingdom, the Netherlands, Russia, and Italy as shown in Figure 2. In addition, there were higher death rate ratios in Italy and the United Kingdom, and lower death rate ratios in Russia, Turkey, China, and the United States (Figure 2).

COVID-19 pandemic spatial pattern of total confirmed cases (top), deaths (middle), and recoveries (bottom) from January 19 to April 24, 2020, in countries and territories. COVID-19: coronavirus disease; JHUCSSE: Johns Hopkins University Center for Systems Science and Engineering; WHO: World Health Organization.

Comparisons between cumulative confirmed cases, recoveries, and deaths of coronavirus disease in the top 15 affected countries.

Furthermore, data smoothening was applied to stabilize the data by removing changes in the level of a time series and, therefore, eliminating (or reducing) the trend and seasonality. After this, the forecast prediction model was applied by using AR and MA models to generate plots of the different trends in upcoming days. The ARIMA model was validated for the available current data using the AIC value; it estimates that the out-of-sample prediction error and lowest value are preferable. Its value were around 20, 14, and 16 for cumulative confirmed cases, deaths, and recoveries from COVID-19, respectively, which represents less error. The outcome of these predictions is presented in Figure 3. Our findings revealed linearity in the confirmed cumulative cases and showed a rapid exponential growth phase in the world, which might occur roughly from April 8 to April 24, 2020, when the number of COVID-19 cases may rise steeply to nearly 1 million in the United States, 220,000 in Spain, 200,000 in Italy, 180,000 in France, and 190,000 in Germany. Other countries that have a smaller number of cases but show a declining upward trend include Switzerland, Germany, and Italy (Figure 2). However, the cases of COVID-19 in China remain stable (Figure 2). The ARIMA model predicted confirmed cases, deaths, and recoveries for the next month from April 24 to July 7, 2020, using the past 3 months of data in Figure 3 (cyan color), Figure 4 (brown color), and Figure 5 (green color) with 95% confidence intervals. Along with the 95% confidence predicted line after April 24, the 80% and 70% confidence wide values are shown in light grey and light-yellow colors, respectively. The wide confidence intervals help to manage any sudden changes in the prediction of dynamic COVID-19 cases.

Dự đoán mô hình trung bình di chuyển tích hợp tự phát trong hơn 2 tháng các trường hợp mắc bệnh coronavirus được xác nhận tích lũy ở 15 quốc gia bị ảnh hưởng hàng đầu được thể hiện bằng màu lục lam (độ tin cậy 95%).

Dự đoán mô hình trung bình di chuyển tích hợp tự phát trong hơn 2 tháng các trường hợp bệnh coronavirus được xác nhận tích lũy ở 15 quốc gia bị ảnh hưởng hàng đầu được thể hiện bằng màu nâu (độ tin cậy 95%).

Dự đoán mô hình trung bình di chuyển tích hợp tự phát trong hơn 2 tháng các trường hợp bệnh coronavirus được xác nhận tích lũy ở 15 quốc gia bị ảnh hưởng hàng đầu được thể hiện bằng màu xanh lá cây (độ tin cậy 95%).

Trong 2 tháng tiếp theo từ ngày 24 tháng 4 đến ngày 7 tháng 7 năm 2020, mô hình dự đoán rằng các trường hợp được xác nhận, tử vong và phục hồi sẽ được nhân đôi ở tất cả các quốc gia trừ Trung Quốc, Thụy Sĩ và Đức (Hình 3- 5). Nó cũng được quan sát thấy rằng tỷ lệ tử vong và phục hồi sẽ nhanh hơn khi so sánh với các trường hợp được xác nhận trong 2 tháng tới. Tỷ lệ tử vong liên quan sẽ cao hơn nhiều ở Hoa Kỳ, Tây Ban Nha và Ý theo sau là Pháp, Đức và Vương quốc Anh. Tỷ lệ phục hồi sẽ giữ chậm lúc đầu nhưng sau đó tăng nhanh ở Hoa Kỳ, Ý, Đức và Pháp vào cuối tháng 6 năm 2020 (Hình 5).Figures 3-​5). It was also observed that the death and recovery rates will be faster when compared to confirmed cases during the next 2 months. The associated mortality rate will be much higher in the United States, Spain, and Italy followed by France, Germany, and the United Kingdom. The recovery rates will stay slow at first but then rapidly increase in the United States, Italy, Germany, and France by the end of June 2020 (Figure 5).

Thảo luận

Phát hiện chính

Dữ liệu hàng ngày CoVID-19 được thu thập và được thể hiện tích lũy như một bản đồ không gian cho hơn 170 quốc gia và vùng lãnh thổ. Bản đồ không gian rất hữu ích để xác định cường độ của nhiễm trùng Covid-19 ở 15 quốc gia hàng đầu và các lục địa. Dữ liệu được báo cáo gần đây cho các trường hợp được xác nhận, tử vong và thu hồi trong 3 tháng qua từ tháng 1 đến tháng 4 năm 2020 được thể hiện và so sánh giữa 15 quốc gia bị nhiễm bệnh hàng đầu. Mô hình ARIMA được sử dụng để dự đoán các trường hợp được xác nhận, tử vong và phục hồi ước tính cho 15 quốc gia hàng đầu từ ngày 24 tháng 4 đến ngày 7 tháng 7 năm 2020. Giá trị của nó được thể hiện với khoảng tin cậy 95%, 80%và 70%và 95% Khoảng tin cậy được hiển thị dưới dạng khoảng trung bình giữa các giá trị rộng 80% đến 70%. Việc xác nhận mô hình ARIMA được thực hiện bằng cách sử dụng AIC cho dữ liệu gần đây có sẵn; Giá trị của nó là khoảng 20, 14 và 16 đối với các trường hợp được xác nhận tích lũy, tử vong và phục hồi từ Covid-19, tương ứng, đại diện cho kết quả chấp nhận được. Các giá trị dự đoán được quan sát cho thấy các trường hợp, tử vong và sự phục hồi được xác nhận sẽ tăng gấp đôi ở tất cả các quốc gia trừ Trung Quốc, Thụy Sĩ và Đức. Nó cũng được quan sát thấy rằng tỷ lệ tử vong và phục hồi nhanh hơn khi so sánh với các trường hợp được xác nhận trong 2 tháng tới. Tỷ lệ tử vong liên quan sẽ cao hơn nhiều ở Hoa Kỳ, Tây Ban Nha và Ý theo sau là Pháp, Đức và Vương quốc Anh. Hạn chế của mô hình ARIMA là nó không hỗ trợ bất kỳ sự biến động hoặc giữa các thay đổi giữa các giai đoạn dự đoán. Độ chính xác của dữ liệu của các quốc gia được tích lũy từ Worldometer là một vấn đề tin cậy cho việc đại diện cho toàn bộ nghiên cứu.

Phân tích dự báo của động lực học Covid-19 cho thấy một góc độ khác nhau cho toàn thế giới, và nó trông đáng sợ hơn tưởng tượng. Điều thú vị là, các số phục hồi cũng có vẻ đầy hứa hẹn, với sự kháng cự bắt đầu từ tháng 7 năm 2020. Do đó, sự chậm lại trong sự gia tăng của đại dịch covid-19 trong các tháng tiến hành phụ thuộc vào các can thiệp hành chính khác nhau và nhận thức cộng đồng về sự lây lan của đại dịch Covid-19 .

Các từ viết tắt

Chú thích

Đóng góp bởi

Đóng góp của các tác giả: RS, AAR, ARM và ASB đã thiết kế và đề xuất nghiên cứu. PK, ASB, HK, CN, SP và YDS đã xử lý dữ liệu, thực hiện các kỹ thuật, phân tích kết quả và soạn thảo và chỉnh sửa bài viết. KD, MR, JR và RKS đã tham gia các cuộc thảo luận và cung cấp các đề xuất mang tính xây dựng về việc viết bản thảo.

Xung đột lợi ích: Không tuyên bố.

Người giới thiệu

1. Zou L, Ruan F, Huang M, Liang L, Huang H, Hong Z, Yu J, Kang M, Song Y, Xia J, Guo Q, Song T, He J, Yen H, Peiris M, Wu J. Tải lượng virus SARS-CoV-2 trong mẫu vật hô hấp trên của bệnh nhân bị nhiễm bệnh. N Engl j med. 2020 tháng 3 19; 382 (12): 1177 Từ1179. doi: & nbsp; 10.1056/nejmc2001737. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Zou L, Ruan F, Huang M, Liang L, Huang H, Hong Z, Yu J, Kang M, Song Y, Xia J, Guo Q, Song T, He J, Yen H, Peiris M, Wu J. SARS-CoV-2 viral load in upper respiratory specimens of infected patients. N Engl J Med. 2020 Mar 19;382(12):1177–1179. doi: 10.1056/nejmc2001737. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

2. Xu X, Wu X, Jiang X, Xu K, Ying L, Ma C, Li S, Wang H, Zhang S, Gao H, Sheng J, Cai H-L, Qiu Y-Q, Li L-J. Kết quả lâm sàng ở một nhóm bệnh nhân bị nhiễm coronavirus tiểu thuyết năm 2019 (SARS-CoV-2) bên ngoài Vũ Hán, Trung Quốc: loạt trường hợp hồi cứu. BMJ. 2020 tháng 2 ngày 19; 368: M606. doi: & nbsp; 10.1136/bmj.m606. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Xu X, Wu X, Jiang X, Xu K, Ying L, Ma C, Li S, Wang H, Zhang S, Gao H, Sheng J, Cai H-L, Qiu Y-Q, Li L-J. Clinical findings in a group of patients infected with the 2019 novel coronavirus (SARS-Cov-2) outside of Wuhan, China: retrospective case series. BMJ. 2020 Feb 19;368:m606. doi: 10.1136/bmj.m606. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

4. Kuniya T. Dự đoán đỉnh cao của bệnh coronavirus ở Nhật Bản, 2020. J Clin Med. 2020 tháng 3 13; 9 (3) doi: & nbsp; 10.3390/jcm9030789. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Kuniya T. Prediction of the epidemic peak of coronavirus disease in Japan, 2020. J Clin Med. 2020 Mar 13;9(3) doi: 10.3390/jcm9030789. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

5. Linton NM, Kobayashi T, Yang Y, Hayashi K, Akhmetzhanov AR, Jung S, Yuan B, Kinoshita R, Nishiura H. Thời kỳ ủ bệnh và các đặc điểm dịch tễ học khác của tiểu thuyết mới dữ liệu trường hợp. J Clin Med. 2020 ngày 17 tháng 2; 9 (2) doi: & nbsp; 10.3390/jcm9020538. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Linton NM, Kobayashi T, Yang Y, Hayashi K, Akhmetzhanov AR, Jung S, Yuan B, Kinoshita R, Nishiura H. Incubation period and other epidemiological characteristics of 2019 novel coronavirus infections with right truncation: a statistical analysis of publicly available case data. J Clin Med. 2020 Feb 17;9(2) doi: 10.3390/jcm9020538. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

7. Jung S-M, Akhmetzhanov AR, Hayashi K, Linton NM, Yang Y, Yuan B, Kobayashi T, Kinoshita R, Nishiura H. Ước tính thời gian thực về nguy cơ tử vong do nhiễm trùng coronavirus mới (2019-Ncov) các trường hợp. Medrxiv. 2020 ngày 17 tháng 2; doi: & nbsp; 10.1101/2020.01.29.20019547. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Jung S-M, Akhmetzhanov AR, Hayashi K, Linton NM, Yang Y, Yuan B, Kobayashi T, Kinoshita R, Nishiura H. Real time estimation of the risk of death from novel coronavirus (2019-nCoV) infection: inference using exported cases. medRxiv. 2020 Feb 17; doi: 10.1101/2020.01.29.20019547. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

8. Nishiura H, Kobayashi T, Yang Y, Hayashi K, Miyama T, Kinoshita R, Linton NM, Jung S, Yuan B, Suzuki A, Akhmetzhanov AR. Tỷ lệ thiếu hụt của nhiễm trùng coronavirus mới (2019-NCOV): Ước tính sử dụng dữ liệu hành khách của Nhật Bản trên các chuyến bay sơ tán. J Clin Med. 2020 tháng 2 04; 9 (2) doi: & nbsp; 10.3390/jcm9020419. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Nishiura H, Kobayashi T, Yang Y, Hayashi K, Miyama T, Kinoshita R, Linton NM, Jung S, Yuan B, Suzuki A, Akhmetzhanov AR. The rate of underascertainment of novel coronavirus (2019-nCoV) infection: estimation using Japanese passengers data on evacuation flights. J Clin Med. 2020 Feb 04;9(2) doi: 10.3390/jcm9020419. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

9. Kucharski AJ, Russell TW, Diamond C, Liu Y, Edmunds J, Funk S, Eggo RM, Sun F, Jit M, Munday JD, Davies N, Gima A , Clifford S, Quilty BJ, Bosse NI, Abbott S, Klepac P, Flasche S. Động lực sớm của truyền và kiểm soát Covid-19: Một nghiên cứu mô hình toán học. Lancet lây nhiễm dis. 2020 tháng 5; 20 (5): 553 Từ558. doi: & nbsp; 10.1016/s1473-3099 (20) 30144-4. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Kucharski AJ, Russell TW, Diamond C, Liu Y, Edmunds J, Funk S, Eggo RM, Sun F, Jit M, Munday JD, Davies N, Gimma A, van Zandvoort K, Gibbs H, Hellewell J, Jarvis CI, Clifford S, Quilty BJ, Bosse NI, Abbott S, Klepac P, Flasche S. Early dynamics of transmission and control of COVID-19: a mathematical modelling study. Lancet Infect Dis. 2020 May;20(5):553–558. doi: 10.1016/s1473-3099(20)30144-4. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

11. Pirouz B, Shaffiee Haghshenas S, Shaffiee Haghshenas S, Piro P. Điều tra một thách thức nghiêm trọng trong quá trình phát triển bền vững: Phân tích các trường hợp được xác nhận của Covid-19 (loại coronavirus mới) thông qua phân loại nhị phân . Sự bền vững. 2020 tháng 3 20; 12 (6): 2427. doi: & nbsp; 10.3390/su12062427. [CrossRef] [Học giả Google]Pirouz B, Shaffiee Haghshenas S, Shaffiee Haghshenas S, Piro P. Investigating a serious challenge in the sustainable development process: analysis of confirmed cases of COVID-19 (new type of coronavirus) through a binary classification using artificial intelligence and regression analysis. Sustainability. 2020 Mar 20;12(6):2427. doi: 10.3390/su12062427. [CrossRef] [Google Scholar]

14. Roosa K, Chowell G. Đánh giá nhận dạng tham số trong các mô hình động ngăn sử dụng phương pháp tính toán: Ứng dụng cho các mô hình truyền bệnh truyền nhiễm. Mô hình Biol Med Med. 2019 ngày 14 tháng 1; 16 (1): 1. doi: & nbsp; 10.1186/s12976-018-0097-6. ​​[Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Roosa K, Chowell G. Assessing parameter identifiability in compartmental dynamic models using a computational approach: application to infectious disease transmission models. Theor Biol Med Model. 2019 Jan 14;16(1):1. doi: 10.1186/s12976-018-0097-6. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

15. Wang X, Wu J, Yang Y. Richards Model được xem xét lại: Xác nhận và ứng dụng cho động lực học nhiễm trùng. J lý thuyết biol. 2012 ngày 21 tháng 11; 313: 12 trận9. doi: & nbsp; 10.1016/j.jtbi.2012.07.024. [PubMed] [CrossRef] [Học giả Google]Wang X, Wu J, Yang Y. Richards model revisited: validation by and application to infection dynamics. J Theor Biol. 2012 Nov 21;313:12–9. doi: 10.1016/j.jtbi.2012.07.024. [PubMed] [CrossRef] [Google Scholar]

16. Richards FJ. Một chức năng tăng trưởng linh hoạt để sử dụng thực nghiệm. J exp bot. 1959; 10 (2): 290 Từ301. doi: & nbsp; 10.1093/jxb/10.2.290. [CrossRef] [Học giả Google]Richards FJ. A flexible growth function for empirical use. J Exp Bot. 1959;10(2):290–301. doi: 10.1093/jxb/10.2.290. [CrossRef] [Google Scholar]

17. . 2020; 5: 256 Từ263. doi: & nbsp; 10.1016/j.idm.2020.02.002. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Roosa K, Lee Y, Luo R, Kirpich A, Rothenberg R, Hyman J, Yan P, Chowell G. Real-time forecasts of the COVID-19 epidemic in China from February 5th to February 24th, 2020. Infect Dis Model. 2020;5:256–263. doi: 10.1016/j.idm.2020.02.002. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

18. Chowell G, Tariq A, Hyman JM. Một khung mô hình dịch bệnh tiểu mới cho sóng dịch dự báo ngắn hạn. BMC Med. 2019 ngày 22 tháng 8; 17 (1): 164. doi: & nbsp; 10.1186/s12916-019-1406-6. [Bài viết miễn phí PMC] [PubMed] [CrossRef] [Google Scholar]Chowell G, Tariq A, Hyman JM. A novel sub-epidemic modeling framework for short-term forecasting epidemic waves. BMC Med. 2019 Aug 22;17(1):164. doi: 10.1186/s12916-019-1406-6. [PMC free article] [PubMed] [CrossRef] [Google Scholar]

19. Củ cải đường P, Kimberley M, Oliver G, Pearce S. Việc áp dụng các phương pháp phân tích thân để ước tính sự cô lập carbon trong cây bụi arboreal từ một phép đo đơn lẻ. Rừng. 2014 ngày 16 tháng 5; 5 (5): 919 Từ935. doi: & nbsp; 10.3390/f5050919. [CrossRef] [Học giả Google]Beets P, Kimberley M, Oliver G, Pearce S. The application of stem analysis methods to estimate carbon sequestration in arboreal shrubs from a single measurement of field plots. Forests. 2014 May 16;5(5):919–935. doi: 10.3390/f5050919. [CrossRef] [Google Scholar]

Các bài báo từ JMIR Public Health and Surveillance được cung cấp tại đây cho phép của JMIR Publications Inc.JMIR Public Health and Surveillance are provided here courtesy of JMIR Publications Inc.