ترجمه فارسی مقاله تخمین نرخ تماس های اجتماعی برای همه گیری COVID-19 با استفاده از تحرک Google و نظرسنجی های تماس قبل از همه گیری

چکیده

During the COVID-19 pandemic, aggregated mobility data was frequently used to estimate changing social contact rates. By taking pre-pandemic contact matrices, and transforming these using pandemic-era mobility data, infectious disease modellers attempted to predict the effect of large-scale behavioural changes on contact rates. This study explores the most accurate method for this transformation, using pandemic-era contact surveys as ground truth. We compared four methods for scaling synthetic contact matrices: two using fitted regression models and two using “naïve” mobility or mobility squared models. The regression models were fitted using the CoMix contact survey and Google mobility data from the UK over March 2020 – March 2021. The four models were then used to scale synthetic contact matrices—a representation of pre-pandemic behaviour—using mobility data from the UK, Belgium and the Netherlands to predict the number of contacts expected in “work” and “other” settings for a given mobility level. We then compared partial reproduction numbers estimated from the four models with those calculated directly from CoMix contact matrices across the three countries. The accuracy of each model was assessed using root mean squared error. The fitted regression models had substantially more accurate predictions than the naïve models, even when models were applied to out-of-sample data from the UK, Belgium and the Netherlands. Across all countries investigated, the linear fitted regression model was the most accurate and the naïve model using mobility alone was the least accurate. When attempting to estimate social contact rates during a pandemic without the resources available to conduct contact surveys, using a model fitted to data from another pandemic context is likely to be an improvement over using a “naïve” model based on mobility data alone. If a naïve model is to be used, mobility squared may be a better predictor of contact rates than mobility per se.

چکیده به فارسی (ترجمه ماشینی)

در طول همه گیر COVID-19 ، از داده های تحرک جمع شده غالباً برای تخمین تغییر نرخ تماس اجتماعی استفاده می شد.با استفاده از ماتریس تماس قبل از فهرست ، و تبدیل این موارد با استفاده از داده های تحرک دوران همه گیر ، مدل های بیماری عفونی سعی در پیش بینی تأثیر تغییرات رفتاری در مقیاس بزرگ بر میزان تماس داشتند.این مطالعه به بررسی دقیق ترین روش برای این تحول ، با استفاده از نظرسنجی های تماس با همه گیر به عنوان حقیقت زمینی می پردازد.ما چهار روش را برای مقیاس بندی ماتریس تماس مصنوعی مقایسه کردیم: دو با استفاده از مدل های رگرسیون متناسب و دو با استفاده از تحرک “ساده” یا مدلهای مربع تحرک.مدل های رگرسیون با استفاده از بررسی تماس COMIX و داده های تحرک Google از انگلستان از مارس 2020-مارس 2021-از این چهار مدل برای مقیاس ماتریس تماس مصنوعی استفاده شده است-نمایشی از رفتار پیش از ارزش گذاری-استفاده از داده های تحرک از انگلستان، بلژیک و هلند برای پیش بینی تعداد مخاطبین مورد انتظار در تنظیمات “کار” و “دیگر” برای سطح تحرک خاص.ما سپس تعداد تولید مثل جزئی تخمین زده شده از چهار مدل را با آنهایی که مستقیماً از ماتریس تماس COMIX در سه کشور محاسبه می شود ، مقایسه کردیم.دقت هر مدل با استفاده از خطای میانگین مربع ریشه مورد بررسی قرار گرفت.مدل های رگرسیون متناسب پیش بینی های قابل ملاحظه ای نسبت به مدل های ساده لوح داشتند ، حتی وقتی مدل ها برای داده های خارج از نمونه از انگلیس ، بلژیک و هلند اعمال می شدند.در همه کشورها مورد بررسی قرار گرفت ، مدل رگرسیون متناسب خطی دقیق ترین بود و مدل ساده لوح با استفاده از تحرک به تنهایی کمترین دقیق بود.هنگام تلاش برای برآورد نرخ تماس اجتماعی در طی یک بیماری همه گیر و بدون منابع در دسترس برای انجام نظرسنجی های تماس ، استفاده از مدلی که برای داده های مربوط به زمینه همه گیر وجود دارد ، احتمالاً با استفاده از یک مدل “ساده” مبتنی بر داده های تحرک ، بهبودی خواهد داشت.اگر از یک مدل ساده استفاده شود ، ممکن است تحرک مربع پیش بینی بهتری از نرخ تماس نسبت به تحرک به خودی خود باشد.