Análisis de la variabilidad de reportados de COVID-19 en tres semanas en relación con parámetros de movilidad
DOI:
https://doi.org/10.18004/rcfacen.2022.13.1.64%20Palabras clave:
COVID-19, movilidad, análisis de correlación, análisis de componentes principales, series de tiempoResumen
Determinar la relación de los patrones de movilidad sobre la evolución de la pandemia de COVID-19, tiene aplicación potencial en mejores políticas para controlar la pandemia. Google disponibiliza datos de movilidad de cada país donde se registran los cambios porcentuales promedios de la población sobre 6 categorías: 1) Espacios recreativos cerrados, 2) supermercados y farmacias, 3) estaciones de transporte, 4) parques y lugares abiertos, 5) lugares de trabajo y 6) zonas residenciales. Además, tenemos la serie de casos diarios reportados de COVID-19 a lo largo de la pandemia. En este trabajo aplicamos un suavizado semanal a todas las secuencias de tiempo y además calculamos un factor de variación entre el número de casos reportados en 21 días y el número
de casos reportados actual. Después se aplica un (i) análisis de componentes principales con las series de movilidad etiquetadas según el factor de variación de reportados y (ii) un análisis de correlación entre las series de movilidad y el factor de variación de reportados. Los resultados sobre los datos de Argentina, Brasil, Canadá, Chile, Estados Unidos, India, México, Polonia, Rusia y Turquía, muestran que los datos de movilidad pueden ser más o menos determinantes dependiendo del país. Además, que las tendencias de movimiento en áreas residenciales están significativamente correlacionadas a la reducción de los casos reportados en la mayoría de los países, sin embargo, las correlaciones de las variables de movilidad pueden variar bastante de país en país.
Referencias
Aktay, A., Bavadekar, S., Cossoul, G., Davis, J., Desfontaines, D., Fabrikant, A., Gabrilovich, E., Gadepalli, K., Gipson B., Guevara, M., Kamath, C., Kansal, M., Lange, A., Mandayam, C., Oplinger, A., Pluntke, C., Roessler, T., Schlosberg, A., Shekel, T., Vispute, S., Vu, M., Wellenius, G., Williams, B. & Wilson, R.J. (2020). Google COVID-19 Community Mobility Reports: anonymization process description (version 1.1). arXiv, 2004.04145: 1–6.
Arenas, A., Cota, W., Gómez-Gardeñes, J., Gómez, S., Granell, C., Matamalas, J.T., Soriano-Paños, D. & Steinegger, B. (2020). Derivation of the effective reproduction number R for COVID-19 in relation to mobility restrictions and confinement. medRxiv, 2020.04.06.20054320: 1–24.
Basellini, U., Alburez-Gutierrez, D., Del Fava, E., Fava, E., Perrotta, D., Bonetti, M., Camarda, C.G. & Zagheni, E. (2021). Linking excess
mortality to Google mobility data during the COVID-19 pandemic in England and Wales. SSM - Population Health, 14(100799): 1–18.
Cintia, P., Pappalardo, L., Rinzivillo, S., Fadda, D., Boschi, T., Giannotti, F., Chiaromonte, F., Bonato, P., Fabbri, F., Penone, F., Savarese,
M., Calabrese, F., Guzzetta, G., Riccardo, F., Marziano, V., Poletti, P., Trentini, F., Bella, A., Andrianou, X., Del Manso, M., Fabiani, M., Bellino, S., Boros, S., Urdiales, A.M., Vescio, M.F., Brusaferro, S., Rezza, G., Pezzotti, P., Ajelli, M., Merler, S., Vineis, P. & Pedreschi, D. (2020). The
relationship between human mobility and viral transmissibility during the COVID-19 epidemics in Italy. arXiv preprint arXiv, 2006.03141: 1–37.
Cot, C., Cacciapaglia, G. & Sannino, F. (2021). Mining Google and Apple mobility data: Temporal anatomy for COVID-19 social distancing. Scientific reports, 11(4150): 1–8.
Dainton, C. & Hay, A. (2021). Quantifying The Relationship Between Lockdowns, Mobility, and Effective Reproduction Number (Rt)
During The COVID-19 Pandemic in The Greater Toronto Area. BMC Public Health, 21(1658): 1–8.
Kajitani, Y. & Hatayama, M. (2021). Explaining the effective reproduction number of COVID-19 through mobility and enterprise
statistics: Evidence from the first wave in Japan. Plos one, 16(3)e0247186: 1–12.
Kraemer, M.U.G., Yang, C.-H., Gutierrez, B., Wu, C.-H., Klein, B., Pigott, D.M., Open COVID-19 Data Working Group, du Plessis, L.,
Faria, N.R., Li, R., Hanage, W.P., Brownstein, J.S., Layan, M., Vespignani, A., Tian, H., Dye, C., Pybus, O.G. & Scarpino, S.V. (2020). The effect of human mobility and control measures on the COVID-19 epidemic in China. Science, 368(6490): 493–497.
Linka, K., Goriely, A. & Kuhl, E. (2021). Global and local mobility as a barometer for COVID-19 dynamics. Biomech Model Mechanobiol, 20(2): 651–669.
Linka, K., Peirlinck, M. & Kuhl, E. (2020). The reproduction number of COVID-19 and its correlation with public health interventions.
Computational Mechanics, 66: 1035–1050.
Maier, B. & Brockmann, D. (2020). Effective containment explains subexponential growth in recent confirmed COVID-19 cases in China.
Science, 368(6492): 742–746.
McGough, S., Gan, R., Tibshirani, R. & Meyer, A.- M. (2020). Modeling COVID-19 mortality in the US: Community context and mobility
matter. medRxiv, 2020.06.18.20134122: 1–11.
Noland, R. (2021). Mobility and the effective reproduction rate of COVID-19. Journal of Transport & Health, 20(101016): 1–9.
Nouvellet, P., Bhatia, S., Cori, A., Ainslie, K.E.C., Baguelin, M., Bhatt, S., Boonyasiri, A., Brazeau, N.F., Cattarino, L., Cooper, L.V.,
Coupland, H., Cucunuba, Z.M., CuomoDannenburg, G., Dighe, A., Djaafara, B.A., Dorigatti, I., Eales, O.D., Elsland, S.L., Nascimento, F.F., FitzJohn, R.G., Gaythorpe, K.A.M., Geidelberg, L., Green, W.D., Hamlet, A., Hauck, K., Hinsley, W., Imai, N., Jeffrey, B., Knock, E., Laydon, D.J., Lees,
J.A., Mangal, T., Mellan, T.A., NedjatiGilani, G., Parag, K.V., Pons-Salort, M., Ragonnet-Cronin, M., Riley, S., Unwin, H.J.T., Verity, R., Vollmer, M.A.C., Volz, E., Walker, P.G.T., Walters, C.E., Wang, H., Watson, O.J., Whittaker, C., Whittles, L.K., Xi, X., Ferguson, N.M. & Donnelly,
C.A. (2021). Reduction in mobility and COVID-19 transmission. Nature Communications, 12(1090): 1–9.
Sampi Bravo, J. & Jooste, C. (2020). Nowcasting economic activity in times of COVID-19: An approximation from the Google Community Mobility Report. World Bank Policy Research Working Paper, 9247: iii + 21 pp. Wang, L., Ben, X., Adiga, A., Sadilek, A., Tendulkar, A., Venkatramanan, S., Vullikanti, A., Aggarwal, G., Talekar, A., Chen, J., Lewis, B., Swarup, S., Kapoor, A., Tambe, M. & Marathe, M. (2020). Using Mobility Data to Understand and Forecast COVID-19 Dynamics. medRxiv, 2020.12.13.20248129: 1–5.
Warren, M., & Skillman, S. (2020). Mobility changes in response to COVID-19. arXiv, 2003.14228: 1–6.
Yilmazkuday, H. (2021). Stay-at-home works to fight against COVID-19: International evidence from Google mobility data. Journal
of Human Behavior in the Social Environment, 31(1-4): 210–220.
Todo el contenido de esta revista está bajo una 