
-
生物通官微
陪你抓住生命科技
跳动的脉搏
在疫情爆发背景下对当地COVID-19脆弱性的建模
《BMC Public Health》:Modeling local vulnerability to COVID-19 in an outbreak setting
【字体: 大 中 小 】 时间:2026年08月09日 来源:BMC Public Health 4.4
编辑推荐:
摘要背景确定影响各区域对COVID-19感染脆弱性的因素至关重要,因为这有助于识别需要额外关注的地点或风险群体。虽然地区间的连通性是疫情扩散的重要驱动因素,但同时也存在不同地区之间的差异,有些地区的受疫情影响程度比周边地区更为严重或较轻。我们旨在基于风险因素建立一种统计模型,用于
确定影响各区域对COVID-19感染脆弱性的因素至关重要,因为这有助于识别需要额外关注的地点或风险群体。虽然地区间的连通性是疫情扩散的重要驱动因素,但同时也存在不同地区之间的差异,有些地区的受疫情影响程度比周边地区更为严重或较轻。我们旨在基于风险因素建立一种统计模型,用于评估各地区对COVID-19的脆弱性,同时也能考虑病毒在区域内的传播情况。
在这项横断面生态学研究中,为比较小范围区域(比利时统计部门级别)与更大范围区域(市镇级别)对COVID-19的本地脆弱性,我们提出了一种模型,将平均发病率分解为本地脆弱性成分和区域爆发成分。通过分析2020年9月至2021年5月COVID-19疫情第二波和第三波期间比利时弗拉芒大区和布鲁塞尔大区的脆弱性,来验证这一模型。我们研究了三组风险因素:社会人口因素、社会经济因素以及环境因素。由于数据不完整,我们进行了敏感性分析,以检验模型估计值的稳定性。
2020年9月至12月的数据显示,中等收入较高且非比利时居民比例较大的区域对COVID-19的脆弱性较低,而老年人比例较高、教育水平较低和/或黑碳含量较高的区域则脆弱性更高。
我们提供了一种简单高效的工具,可用于识别疫情爆发情况下对COVID-19脆弱性较高的区域。这有助于政策制定者制定有针对性的公共卫生干预措施,如实施局部封锁、加强检测和疫苗接种,并合理规划资源分配。
确定影响各区域对COVID-19感染脆弱性的因素至关重要,因为这有助于识别需要额外关注的地点或风险群体。虽然地区间的连通性是疫情扩散的重要驱动因素,但同时也存在不同地区之间的差异,有些地区的受疫情影响程度比周边地区更为严重或较轻。我们旨在基于风险因素建立一种统计模型,用于评估各地区对COVID-19的脆弱性,同时也能考虑病毒在区域内的传播情况。
在这项横断面生态学研究中,为比较小范围区域(比利时统计部门级别)与更大范围区域(市镇级别)对COVID-19的本地脆弱性,我们提出了一种模型,将平均发病率分解为本地脆弱性成分和区域爆发成分。通过分析2020年9月至2021年5月COVID-19疫情第二波和第三波期间比利时弗拉芒大区和布鲁塞尔大区的脆弱性,来验证这一模型。我们研究了三组风险因素:社会人口因素、社会经济因素以及环境因素。由于数据不完整,我们进行了敏感性分析,以检验模型估计值的稳定性。
2020年9月至12月的数据显示,中等收入较高且非比利时居民比例较大的区域对COVID-19的脆弱性较低,而老年人比例较高、教育水平较低和/或黑碳含量较高的区域则脆弱性更高。
我们提供了一种简单高效的工具,可用于识别疫情爆发情况下对COVID-19脆弱性较高的区域。这有助于政策制定者制定有针对性的公共卫生干预措施,如实施局部封锁、加强检测和疫苗接种,并合理规划资源分配。
生物通微信公众号