《免费医学论文发表-描述美国在 COVID-19 大流行的前九个月期间的集体身体距离》期刊简介
免费医学论文发表-描述美国在 COVID-19 大流行的前九个月期间的集体身体距离
抽象
COVID-19 大流行提供了一个前所未有的自然实验，为外源性（政府强制）和内源性（对感染风险的自发反应）起源的集体行为变化的出现提供了见解。在这里，我们通过分析超过 550 万台匿名、选择加入的美国设备的去识别化、保护隐私的位置数据，来描述集体物理距离——减少流动性、尽量减少接触、缩短接触时间——以应对前疫苗时代的 COVID-19 大流行。我们定义了五个用户流动性和接近度指标，以调查在 COVID-19 大流行的前九个月中，新出现的集体行为如何偏离大流行前的典型模式。我们分析了由于政府强制实施的缓解政策而发生的巨大变化，以及 2020 年秋季社会对新常态（物理距离）的更自发的适应。使用此处定义的指标，我们表明：a） 在 COVID-19 大流行期间，集体物理距离表现出不同的阶段，并且不同地区之间存在异质性，b） 大都市地区的流动性和接触减少幅度大于农村地区;c） 在远程办公工作比例较高的地理区域，通勤模式的减少幅度更大;d）封锁期间和之后的通勤量与失业率呈负相关;e）接触指标的增加与未来新死亡数值相关，与流行病学参数和监测报告延迟相一致。总之，本研究表明，这里提出的框架和指标可用于分析大规模的社会疏远现象，为它们在未来大流行中的使用铺平了道路，以分析和监测大流行缓解计划在国家和国际层面的影响。
作者摘要
COVID-19 大流行对人类集体行为造成了一些最重大的破坏。在这项研究中，我们通过估计与流动性、通勤和社会接触相关的日常生活变化，量化了大流行前九个月这些中断的性质和规模。我们使用高分辨率的移动数据来描述美国超过 550 万人的身体运动。我们的研究结果表明，在大流行的不同阶段，不同地点（州和城市）以及不同社会环境（城市与农村）的行为反应强度各不相同。我们还发现，通勤流量的减少与就业特征相关，我们提出的社会互动指标可以用作未来潜在负面健康结果（例如，每日新增死亡人数）的早期预警，从而开辟了将这些指标用作未来爆发的额外态势感知工具的可能性。
数字
Fig 4Fig 5Fig 1Fig 2Fig 3Fig 4Fig 5Fig 1Fig 2Fig 3
引文： Klein B， LaRock T， McCabe S， Torres L， Friedland L， Kos M， et al. （2024） 在 COVID-19 大流行的前九个月中，美国集体物理距离的特征。PLOS 数字健康 3（2）： 编号：e0000430。 https://doi.org/10.1371/journal.pdig.0000430
编辑 器： 袁来， 清华大学，中国
收到： 2023年2月22日;接受： 2023年12月11日;发表： 2月 6， 2024
版权所有： ? 2024 Klein et al.这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。
数据可用性： 本出版物中介绍的移动性、通勤和联系人索引可在以下实时仪表板上访问：https://covid19.gleamproject.org/mobility，而随附的代码和汇总索引数据可在 https://github.com/mobs-lab/covid19-mobility 上获得。Cuebiq 原始数据可应要求提供给 Cuebiq 的 Spectus 社会影响计划 （https://spectus.ai/social-impact/）。
资金： MC 和 AV 感谢 COVID 补充 CDC-HHS-6U01IP001137-01 以及 Google Cloud 和 Google Cloud Research Credits 计划为该项目提供资金的支持。A.V. 感谢麦戈文基金会和 Chleck 家庭基金会的支持。本研究的发现和结论是作者的发现和结论，并不一定代表资助机构、美国国立卫生研究院或美国卫生与公众服务部的官方立场。TER、LT 和 TL 部分得到了 NSF IIS-1741197、作战能力发展司令部陆军研究实验室（合作协议编号为 W911NF-13-2-0045）和国防部负责研究和工程的副部长（空军合同编号）的支持。FA8702-15-D-0001型没有一个资助者在研究设计、数据收集、分析、发表决定或手稿准备中发挥任何作用。
利益争夺： 提交人声明不存在相互竞争的利益。
介绍
移动电话的使用几乎无处不在，加上最先进的数据匿名化和用户隐私技术[1,2]，为深入了解社会对COVID-19大流行的反应提供了前所未有的机会[3–11]，通过量化流动性的减少和消费者行为的变化来提高我们对人类行为的理解[9,12]，并促成了围绕为减轻COVID-19大流行传播而引入的不同政策和指南的有效性的辩论[13\u201220]。
在这里，我们提出了一个旨在表征集体物理距离模式的框架，并通过观察随时间和地点的变化以及检查观察到的变化与就业特征和健康结果之间的关系来展示其一些应用。拟议的方法包括几种移动性和物理接近度的衡量标准：1）每个用户的每日移动范围;2）通勤用户的比例;3）在大都市地区之间旅行的用户比例;4）家庭和工作之外的唯一联系人数量;5）这些接触的平均持续时间。我们在2020年1月至9月期间从美国地理分布的4000多万台移动设备中选出的约5.5M用户的匿名，隐私保护聚合位置数据样本中计算了这些措施。总之，这些互补措施提供了一个宏观特征，即当数百万人减少流动性和身体距离时，人口会发生什么。这些措施使我们能够为COVID-19大流行前9个月（疫苗时代前）的美国集体身体距离提供一种可能的工作定义，并量化在COVID-19大流行期间实施和推广的居家办公政策、行动限制、就地避难令和其他政策干预措施之后，集体身体距离是如何出现并在某种程度上持续存在的[21–23].我们表明，定义的措施捕捉了城市与农村环境中行为变化的相关差异，并且它们在统计学上与失业率和远程办公率相关。值得注意的是，我们还发现，以减少个人接触为特征的措施是COVID-19死亡的早期指标。这些发现表明，这里确定的代理措施反过来可用于校准旨在定义COVID-19流行负担的流行病传播模型[3,24–26]。本手稿中包含的结果和措施的交互式版本（以及对匿名汇总数据集的访问）通过以下在线仪表板公开提供：https://covid19.gleamproject.org/mobility。
材料和方法
移动数据
移动数据由位置智能和测量公司 Cuebiq Inc. 提供。通过其 Data for Good 计划 （https://www.cuebiq.com/about/data-for-good/），Cuebiq Inc. 为学术研究和人道主义计划提供对汇总和隐私增强的移动数据的访问。Cuebiq Inc.主要通过其专有的基于位置的软件开发工具包（SDK）收集数据，合作伙伴将其嵌入到其移动应用程序中。换句话说，Cuebiq Inc.的移动数据是从智能手机应用程序中收集的，其中位置是应用程序功能的核心。这包括应用类别，例如地图、导航、天气和特定地理位置的零售。所有数据均在完全匿名用户的知情同意下，在符合 GDPR 和 CCPA 的框架下收集。作为选择加入过程的一部分，用户同意出于研究目的直接与 Cuebiq Inc. 共享他们的匿名数据。用户可以随时选择退出，请求其数据的副本，并根据可移植性和擦除条款要求永久删除其数据。除了利用加密哈希对每个用户的设备 ID 进行完全匿名化外，移动数据还通过利用获得专利的隐私增强技术来获得额外的隐私保护。首先，对用户家庭和工作地点的推断坐标进行升级，以便新坐标与其对应的人口普查区块组的质心相对应[27]，从而排除了基于家庭或工作地址数据的个人用户识别，同时保留了基于公开人口普查数据的社会人口学推断能力。然后，移动数据也要进行清理，以删除对敏感兴趣点的访问，包括军事基地、性生殖健康中心、礼拜场所、小学和其他隐私敏感度更高的地方。
虽然该移动数据集已发布给研究人员，以协助 COVID-19 响应和流行病建模工作，但数据收集过程本身并未专门针对公共卫生研究量身定制。在这项研究中，我们对 1 月 7 日期间活跃的 5,506,590 名用户的集体物理距离进行了描述第和 6 月 30 日第, 2020.具体而言，如果满足以下所有条件，则用户将包含在面板中。首先，从 2020 年 1 月到 6 月，每个月必须至少活跃 21 天。其次，平均而言，每个用户的空间坐标必须至少每小时记录一次（在用户处于活动状态的天数中取平均值）。最后，在覆盖期间，每个设备的平均地理定位精度需要小于 50 米。经过深思熟虑的用户小组代表了美国人口的几个社会人口特征，如年龄、性别、种族、教育程度和收入（见 S1 文本）。
人口和就业数据
县级人口统计数据，包括城乡名称以及用于统计校正的人口统计数据来自美国人口普查和美国社区调查（https://www.census.gov）。县级失业数据来自美国劳工统计局。Dingel 和 Neiman [28] 以及 Dey 等人 [29] 提供了关于可远程办公工作百分比的数据，这些数据根据每个区域内的职业分布，对大都市统计区 （MSA） 可以过渡到远程办公的工作百分比进行了估计。
州级 COVID-19 检测数据和重新开放数据
有关COVID-19检测和病例的数据来自COVID跟踪项目[30]，该项目直接汇编来自州卫生当局的数据。有关各州最初开始重新开放日期的数据是从《纽约时报》收集的[23]。
集体保持身体距离指标
在本节中，我们介绍了五种不同的移动性和接近度指标，用于量化集体物理距离的日常变化：1）通勤量，2）移动范围（回转半径），3）CSA间过境，4）每个用户的不同接触，以及5）平均接触持续时间。
使用每日通勤量估算短途旅行。
每日通勤量计算 24 小时内从给定县出发的从家到工作的旅行总数。Cuebiq Inc.为每个用户提供了一个混淆的“个人区域”列表。从这些位置进行地理定位的观察结果被视为来自个人的家庭或工作地点，因此被提升以保护用户隐私。也就是说，这些坐标将聚合到每个观测值所属的人口普查区块组级别的质心。为了量化上下班通勤行为的变化，我们将个人区域分类为家庭或工作地点，以便能够计算通勤流量。特别是，我们将夜间（9：00 PM-5：00 AM）最常访问的个人区域视为用户的家庭位置，而白天（9：00 AM - 5：00 PM）最常访问的非家庭个人区域被归类为用户的工作地点。这种方法并不完美（即，它可能会混淆专门上夜班的用户），但它是基于对美国典型工人的假设。然后，一次通勤被定义为用户在给定的一天内访问他们的“家”和“工作”。最后，在这项研究中，我们参考了封锁措施前一段时间内确定的个人区域的定义和位置。因此，我们的通勤指标反映了 COVID-19 大流行之前现有现状的变化。
使用回转半径估计移动范围。
回转半径[31]表征了给定用户在一天内的轨迹范围，其正式定义是：
(1)
其中 n 是用户当天的观测次数，是 i第观察到的用户位置，i = 1， 2， ...， n，并且是轨迹的质心。该测量方法为我们提供了一种标准化的方法来判断一个人在给定的一天中从他们的日常平均位置（质心）（很可能是他们的家庭和工作地点）移动了多远。即，较大的回转半径对应于位置离人的质心更远的轨迹。回转半径为我们提供了一种方法来测量每个人每天行进的“特征距离”[31]，以及他们的空间范围在大流行的不同阶段是如何变化的。从流行病学的角度来看，这一措施特别重要，因为人口空间范围的缩小将降低流行病在（可能相距遥远的）地点之间传播的速度。最后，为了计算给定区域内的典型移动性，我们将该区域用户的每日回转半径总和。
使用 CSA 间过境估计远程旅行。
为了研究长途旅行的变化，我们计算了在一天内访问至少两个独立的美国人口普查联合统计区（CSA）的用户数量。具体而言，CSA的定义是，每个CSA将共享重要就业交流的邻近地区组合在一起，并且它们之间显示出相当程度的经济或社会联系，通常通过通勤模式来衡量。换句话说，我们测量了主要大都市地区之间的长途旅行量，这使我们能够捕捉到空中交通以及长途火车和公路旅行的变化。
使用日常联系人估计社交混合。
出于接触者追踪的目的，CDC将密切接触者定义为“与感染者6英尺以内至少15分钟”的人[32]。使用该指南，我们将接触的定义操作为两个设备在大约 38m × 20m 的同一矩形区域内至少 15 分钟，并且我们定义了两个量化个体之间接触混合的度量。尽管由于所考虑的空间分辨率，以这种方式定义接触者可能会很嘈杂或不精确，但我们在下文中表明，本节中介绍的措施与关键流行病学指标（例如新死亡）呈正相关。
该方法的工作原理如下。每次记录用户的时间戳空间坐标时，我们都会将经纬度坐标与 8 个字符的 geohash 相关联。geohash 是一小串字母和数字，允许将坐标编码为分层空间数据结构，该结构将世界表面细分为网格。在我们的例子中，我们考虑了8位分辨率的geohash，它编码了在赤道处尺寸约为38m×19m的矩形像元[33]。我们定义两个用户，如果在同一个 geohash 中观察到他们至少连续 15 分钟，则他们位于同一位置。对于每个用户，我们会计算设备在一天内接触的唯一用户数，以及符合上述条件的每日联系人的总停留时间。我们对给定区域内用户的这些值进行平均，以得出县、州和全国范围内的每日平均联系持续时间和不同联系人的平均数量。请注意，由于 Cuebiq 的隐私保护程序会混淆个人区域（例如用户的家庭和工作地点）内发生的位置事件的确切坐标，因此此方法只能记录发生在个人区域之外的联系人。
典型行为。
在这篇手稿中，我们将指标报告为典型活动的百分比。我们选择 1 月 16 日至 2 月 28 日之间的时间段（不包括假期）作为我们的基线，从而定义了在这项工作的背景下构成典型行为的内容。对于每个指标，我们将指标每日值除以一周中同一天的基线期间的平均值（即，将星期一与基线期间的平均星期一进行比较）。因此，值 100% 表示典型行为。例如，通勤指标在时间 t 的典型行为百分比的时间线将计算为其中 Ct表示在时间 t 观察到的通勤次数，Nt表示时间 t 的活跃用户数，表示基线参考期内的通勤次数，表示基线参考期内的活跃用户数。
道德声明
批准所述研究的 IRB/监督机构的详细信息是：东北大学，人类受试者研究保护办公室 （HSRP），IRB 豁免编号 20-03-23。
结果
量化空间流动性和社会混合
2020年3月16日，美国政府发布了促进非药物干预（nonpharmaceutical intervention， NPIs）的指南，以减少COVID-19的传播[21]。这些干预措施包括关闭学校、宣布紧急状态要求非必要企业关闭，以及就地避难令以尽量减少人与人之间的接触。截至 4 月 7 日，由于大流行，美国州长敦促 95% 的人留在家中 [22]，到 2020 年 5 月初，每日通勤量显示，全美各地的通勤量已减少约典型每日值的 65%（图 1a，通勤量）。值得注意的是，在我们的数据中，自 5 月初以来，通勤量的总体趋势保持相对稳定，减少了约 60-70%，尽管截至 9 月初又开始呈上升趋势。我们怀疑这一趋势既反映了在家工作政策“新常态”的现实，也反映了 2020 年秋季因 COVID-19 导致的失业率上升。通勤行为告诉我们仍然去工作场所的个体比例，这些信息也与工作场所疾病传播的建模有关[34\u201236]。与此同时，我们还观察到长途旅行急剧下降，这是通过在CSA之间旅行的用户数量（图1b）与本分析中包含的每个CSA的基线相比来衡量的。在高峰期，我们小组中用户之间的 CSA 间传输量平均减少了近 50%。
thumbnail 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图像
TIFF的原始图像
图 1. 随时间推移，流动性和社会混合的变化。
图表显示了与美国同一工作日的典型行为的偏差。（a） 流动性：个人流动性（回转半径）、通勤量和 CSA 间交通。（b） 接触者：不同接触者的数量和工作和家庭之外的平均接触持续时间事件。到国家宣布紧急状态（3月13日）时，空间流动性措施的减少已经开始，到4月1日达到典型值的50%左右;而接触措施显示，到同一日期，减少幅度超过75%。每个测量值旁边都显示 7 天滚动平均值。两条灰色垂直虚线分别表示CDC非药物干预指南的引入和到期。
https://doi.org/10.1371/journal.pdig.0000430.g001
最后，我们捕捉了 COVID-19 大流行期间个人每日旅行距离范围的变化，我们发现，到 5 月初，我们面板中用户的平均回转半径相对于典型的工作日减少了 45-55%，如图 1a 所示（移动范围）。纽约市之前也有类似的结果报道[5]。在整个 5 月和 6 月，行进距离范围稳步增加，到 7 月初恢复到典型行为的 95% 左右。这一增长是在取消居家令和全国各地企业稳步重新开放之后发生的，这意味着员工和消费者的流动性都有所增加。然而，这也可能与公众的信心增强有关，即需要旅行的活动，如去海滩旅行和远足，可以在保持社交距离的同时进行，使他们可以安全地参与。事实上，这种接近典型流动性范围的恢复并没有伴随着接近典型的人与人接触事件的恢复，这支持了公众对低接触活动安全性的信心随着时间的推移而增加的证据。
作为社交混合的第一个衡量标准，我们考虑了用户在一天内在工作或家庭之外拥有的不同联系人的数量。这些接触量化了疾病在不同个体之间传播的机会，在同一个咖啡店，在杂货店互动等等。平均而言，用户在一天内拥有的不同联系人数量急剧下降，这种下降在 3 月 11 日左右开始（见图 1）。到 4 月中旬，我们小组中的用户每天的不同联系人减少了大约 75%。从 5 月开始到 6 月，独特接触者稳步增加，在夏季剩余时间里趋于平稳，减少了约 40-50%。这一趋势反映了身体距离的普遍放松，这与企业重新开放以及户外聚会的舒适度增加相一致。然而，重要的是，我们没有看到完全恢复到典型行为，这表明即使面对新重新开放的设施（商店、餐馆等），美国人仍然不愿意恢复到大流行前的社交活动水平。
在描述疾病传播的有效接触者时，必须考虑到传播的可能性也会随着接触时间的延长而增加[37]。出于这个原因，我们根据每个用户的设备彼此靠近的时间长短来衡量每个用户与其他用户的平均总联系时间。每天联系人的总持续时间与唯一联系人的数量类似。到4月中旬，与社交距离措施生效前的典型行为相比，接触时间减少了约75%。整个 5 月和 6 月，稳步增长，比正常情况减少了约 45%。与每天不同接触者相比，接触的总持续时间进一步减少，这一事实表明，遇到的不同用户的增加并不总是伴随着在一起的时间的增加。同样，其中一些可能是由于对户外社交距离行为的舒适度增加，例如在公园散步时与他人擦肩而过。与前面讨论的移动范围趋势类似，在整个5月和6月，接触事件稳步增加。然而，到 7 月底，该趋势并未接近典型行为，而是徘徊在典型行为的 50-65% 之间。
集体保持身体距离的阶段
COVID-19 大流行给活生生的人类集体行为带来了一些最重大的破坏。这些行为中断的时间线在图 2 中清晰可见，其中我们报告了每个状态的汇总指数，计算为相对于先前引入的五个流动性和邻近性指标的典型活动的平均减少百分比。使用这个汇总指数，我们可以描述美国集体物理距离行为的四个不同阶段：
典型活动。从 1 月下旬到 2 月下旬，我们观察到定义典型活动的基线期。
峰值降低。在此期间，我们观察到在联邦和州的授权和缓解措施之后，所有指标都急剧下降。
异构重新开放。从5月初到6月下旬的时间窗口，各州根据不同的时间表和剩余NPI的严格程度重新开放企业和学校。
新常态。从 7 月开始，流动性范围和 CSA 间过境增加到与大流行前水平相当的值，而通勤流量（即上班的人）和接触措施通常保持在低于大流行前的典型水平，这是生活在大流行中的人们的新阶段的特征。
thumbnail 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图像
TIFF的原始图像
图 2. 美国集体保持身体距离的阶段。
（返回顶部）县级集体物理距离地图，每个县根据其典型的每日通勤量、个人流动性范围、CSA 间过境、家庭和工作之外的独特接触者以及所列时间范围内的接触总持续时间的平均值着色。（底部）减少接触和流动性的热图，强调每个州的关键日期和美国大流行的关键阶段（来自[23]的重新开放数据）。
https://doi.org/10.1371/journal.pdig.0000430.g002
在这四个时间段内，我们看到全国范围内上下班的通勤量有所减少。人们的日常社交活动也发生了巨大变化，4 月份每天的流动性减少了 60%，在保持身体距离的高峰期，每天与他人的接触减少了约 80%。确定这些行为变化的任何单一原因仍然是一个挑战。然而，当放在一起看时，它们提供了一种描述我们集体行为演变的方法，为我们提供了一个基线，让我们了解社会如何应对如此大规模的破坏。在支持信息中，我们提供了每个州（S12 图）和几个主要大都市区（S13 至 S29 图）的特定于措施的曲线。
通勤、在家工作和失业。
3月初，通勤量急剧下降，在大多数州，通勤量并没有像其他流动/接触措施那样增加。这可能是由于几个原因，从春季和初夏的历史性失业浪潮，到远程办公的急剧增加。事实上，在美国的整个 COVID-19 大流行期间，我们看到大都市统计区 （MSA） 的远程办公工作百分比与通勤量之间存在强烈的负相关关系。对于计划应对未来大流行的公共卫生官员来说，远程办公和通勤量之间的这种关系尤其有见地;在整个大流行期间引入的许多 NPI 旨在限制工作场所的感染数量，因此，由于远程办公的增加（而不是失业率的增加）导致的通勤量减少可以说明经济和公共卫生优先事项之间的更可取的平衡。
在COVID-19大流行期间，许多雇主取消了面对面的互动，尽管美国的许多工作不容易过渡到远程工作[28,29,38]。 此外，很难量化美国各地普遍存在的远程工作，并且已经进行了各种调查试图估计这一数字[39]。此外，典型的通勤模式也受到前所未有的失业率激增的影响[40]。因此，我们通过将通勤指标与另外两个数据源相结合来探索通勤、失业和远程办公之间的关系：劳工统计局的本地失业统计 （LAUS） 数据集，该数据集提供县级失业率的月度估计值;以及Dingel、Neiman和Dey等人对可在家工作的地区的工作比例的估计[28,29]。 远程办公能力估计值在大都市统计区 （MSA） 级别，LAUS 数据在县级。出于这个原因，在我们的分析中，我们将测量值汇总到 MSA 级别，不包括农村县。请注意，虽然当地的失业率和通勤量每月都在变化，但远程办公工作的估计比例在很大程度上是一个静态数量。
在图 3 中，我们展示了 2 月、4 月和 7 月的通勤量、失业率和远程办公能力之间的关系，每个月对应于大流行的一个不同阶段。在 2 月（我们用来定义“典型”活动的基线期），MSA 中典型通勤的百分比与远程办公工作的百分比之间没有相关性，通勤和失业之间也没有相关性（图 3a 和 3d）。这是意料之中的，因为美国尚未经历 COVID-19 危机造成的大规模破坏。然后，在4月份，随着关于保持身体距离和失业率大幅上升的更新指南，美国各地的通勤量大幅下降（平均约为基线水平的40%，见图1a和3b）。在封锁期间，可以过渡到远程办公的工作百分比与通勤量的相关性为 -0.533（图 3b）;我们还观察到，在此期间，通勤量与失业率之间存在显著的负相关关系（图3e）。
thumbnail 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图像
TIFF的原始图像
图 3. 失业、远程办公和通勤模式。
根据 Dingel 和 Neiman [28]（上行）和失业率（下行）的说法，我们将县级就业数据分组到大都会统计区 （MSA），将通勤量与可以很容易地过渡到远程办公的工作百分比相关联。（a&d）：基线期的2月;（b & e）：4月，封锁高峰期;（c&f）：7月，失业率下降，但通勤率仍然很低——在“新常态”阶段）。
https://doi.org/10.1371/journal.pdig.0000430.g003
在农村和城市地区保持集体身体距离。
我们还观察到美国不同地区的集体物理距离程度不同，这反映了美国各地政策反应、疾病发病率、地理和人口结构的异质性（参见例如[41]）。通过将我们的集体物理距离措施与国家卫生统计中心（National Center for Health Statistics， NCHS）的城乡县分类方案[42]分组，我们可以比较生活在城市和农村地区的人们的反应。我们观察到，大型中央地铁（代码 1）区域在接触和移动范围方面的集体物理距离措施减少幅度最大（图 4a-4c）;县城越偏僻，典型行为的减少就越少。然而，居住在更多城市县的用户对这些措施的基线也较低（图 4d-4f），我们使用标准化指数而不是图 4a-4c 中显示的“典型百分比”值。作为比较，到4月初，大/中型都会区县用户不同接触者数量的中位数减少接近与农村、小城市县典型用户基线相似的水平（图4f）。
thumbnail 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图像
TIFF的原始图像
图 4. 基于城乡规范的县级行为差异。
美国的每个县都被分配了一个城乡代码，范围从 1（大型中央都会）到 6（高度农村的“非核心”县）。我们平均了按这六个城乡代码名称分组的各县的每个用户典型行为的百分比（顶行）和标准化指数（底行）。标准化指数掩盖了原始值，但保留了组之间的相对差异;为此，我们按所有县的中位数值进行归一化。（a&d）：移动范围;（b & e）： 接触持续时间;（c & f）：不同的触点。七天滚动平均值以粗体绘制，高于绘制为细曲线的原始值。
https://doi.org/10.1371/journal.pdig.0000430.g004
城市地区也比农村地区更早地开始保持身体距离的行为;例如，大型中心和大型边缘都会区的接触措施比小型大都市区、小城市区和非核心区提前约5天降至典型接触措施的80%。在5月的第一周，小城市和非核心县的流动性范围约为典型的75%，而大型中心和边缘都会区仍保持在典型的50%左右（图4a）。在两种接触措施的典型行为百分比中都可以看到类似的城乡差距（图4b和4c）。
集体保持身体距离和COVID-19的死亡人数。
最后，我们验证了本手稿中引入的接近/接触度量作为真实人与人接触的粗粒度近似值的使用。因此，我们期望发现这些措施与关键流行病学指标（如新死亡人数）之间存在正相关关系。更具体地说，我们预计滞后相关性最能捕捉到这种关系，因为它考虑了：a）从暴露到症状发作的时间（约6天）;b） 从症状出现到死亡的中位天数（13 至 17 天，具体取决于所考虑的年龄组）;c）从死亡到报告日的中位天数（根据年龄组的不同，从19日到21日不等）[43]。由于这些因素，我们预期的接触者代理与新死亡之间的相关性的中位延迟在38-44天之间。在全国范围内，我们看到情况确实如此。
在图 5 中，我们绘制了全国范围内典型平均接触持续时间 （a） 和不同接触者 （b） 与全国每 100,000 人每日新增死亡人数的百分比。对于每个测量，接触测量值在延迟 d ∈ [37， 44] 天时相关，这是通过最大化接触模式与新死亡之间的相关性来选择的。我们对 S4 文本（S11 图）中的新感染数量进行了相同的比较，突出了这种相关性在全国范围内的稳健性。
thumbnail 下载：
PPT的PowerPoint幻灯片
巴布亚新几内亚放大图像
TIFF的原始图像
图 5. 集体保持身体距离和新的死亡。
在这里，我们将全国的每日接触措施与2020年4月30日至11月5日期间新报告的死亡病例[30]相关联。横轴对应于典型接触模式的百分比，而纵轴对应于每 100,000 人中（滞后）新死亡人数。（a） 平均接触持续时间 （b） 不同的接触。为每个州选择了d天的滞后，以最大限度地提高新死亡与接触措施之间的相关性。在d ∈ [37， 44]（d = 44 是可视化的）天观察到的最大相关性与CDC的估计一致[43]，后者考虑了疾病动态和报告延迟。在每个子图中，较深的颜色表示较晚的日期，标记大小对应于有效繁殖数中位数的估计值（Rt）在所有 50 个州和哥伦比亚特区（来源：rt.live）。这些接触措施也与新报告的病例呈正相关（但滞后较短，见S11图）。
https://doi.org/10.1371/journal.pdig.0000430.g005
图 5 中标记的颜色与时间相对应;颜色越深表示日期越晚。在这里，我们看到了我们的接触措施与大流行进程之间的重要关系。也就是说，随着初夏接触模式的增加（颜色较浅的标记），新的感染和新的死亡随之而来;随后，接触事件减少，随后到8月下旬，新感染病例再次减少（颜色较深的标记）。这与图1b中的曲线（接触措施）开始趋于平稳，而流动性和城际交通继续上升的时间大致相同（图1a）。流动性和接触模式之间的这种脱节表明，我们的集体社会行为可以降低新感染率，从而降低新死亡人数。这一发现对于流行病学家和公共卫生官员来说可能是微不足道的，但对于我们了解我们的集体行为如何影响大流行的轨迹，验证我们的接触措施作为真正的人与人之间接触的代理，它仍然很重要，并且它也与COVID-19文献中的其他发现一致[11,44–46].几乎实时测量这些模式的能力显示了使用移动设备数据预测（或“临近预报”）病毒轨迹的潜在好处，并且展望未来，它们为我们应对未来大流行的集体行为反应提供了基线。
讨论
为遵守CDC的身体疏远准则而做出的巨大努力给美国人民的经济和社会福祉带来了巨大的代价。通过量化这些全国性的行为变化，我们可以一窥大规模集体行为与大流行过程之间的关系。从这些模式中吸取教训是必要的，以便为未来的大流行做好准备;最值得注意的是，尽管进行了大规模的集体物理隔离，但在 2020 年 2 月至 12 月的时间窗口内，美国报告了超过 1300 万例 COVID-19 病例。此外，考虑到截至2020年12月31日的时间，死亡证明上有超过385,000人死于COVID-19[47]。这表明，在疫苗出现之前，美国集体保持身体距离的时间、幅度和同步性[48,49]最终不足以完全缓解全国范围内的疫情。 然而，研究表明，将保持社交距离与广泛检测、检疫隔离和接触者追踪等其他干预措施相结合，有助于将疫情发病率保持在较低水平，从而有助于当地医疗系统，同时在一定程度上放宽社交距离措施[34]。事实上，这是一些国家，如韩国、台湾和中国所遵循的方法[50\u201252]。归根结底，对于这种综合工作方法，必须能够使用近时指标来量化集体社交距离，就像本文中讨论的指标一样。
在2020年7月至12月的“新常态”期间，美国有数百万例新病例和数十万例新死亡病例;在同一时期，我们看到流动性模式恢复到基线水平的100%，而接触者保持在典型活动的65%左右。这暗示了两件关键的事情。首先，全国平均约65%的典型接触者不足以避免在此期间出现的大量病例。需要进一步的建模工作来估计接触人数大幅减少可能产生的潜在影响（例如，60%或50%等，而不是65%）。其次，这表明在大流行期间，人们可能已经学会了调整自己的行为，使他们能够旅行，同时仍然限制与他人接触的机会。例如，参观公园或远足是可能与较高流动性相关的活动，但不一定与更多的接触有关。事实上，在美国的许多城市，我们看到在此期间公园的访问量相对增加[9]。从中吸取教训可能会为应对当前或未来大流行病的政策目标或基准提供信息。
在这项工作中，我们量化了美国 COVID-19 大流行前 9 个月对 COVID-19 的前所未有的行为反应——全国范围内的集体身体疏远——使用五种不同的流动性和接触模式测量。通过研究数百万匿名手机用户的日常移动模式，我们展示了人们如何改变他们的典型行为，限制与他人的日常互动以遵守政策干预，并努力减少他们感染病毒的机会。准确了解和量化个人行为在大流行过程中的变化至关重要，在这项工作中，我们提出了几种将大规模移动设备数据转化为近乎实时的流行病学见解的措施。特别重要的是，这里引入的接触者接近措施与全国新死亡病例的发生有关;这种相关性在延迟37-44日时达到最大值，与CDC报告的范围一致[43]。
最近的研究表明，对典型的人类混合模式进行更细致入微的理解可以对疾病的传播和我们对疾病传播的模型产生巨大影响;了解人群中基于年龄、特定环境的接触模式特别有用[36,53]。目前的研究因缺乏这些数据而受到限制，在许多方面，传统的测量方法可能提供更可靠的估计（参见[53]）。然而，我们引入的集体物理距离行为的测量可以通过使用人口普查区年龄分布的差异来估计（总体上）特定年龄的流动性和接触减少，从而潜在地推广。最后，我们根据地理邻近程度量化接触者，我们不会试图将位置与这些接触发生地的信息联系起来（即在餐厅、工作场所、公园等）;这一信息尤其重要，因为与露天环境相比，在封闭空间接触的疾病传播几率要高得多[35,54]。 这可以通过在预先确定的兴趣点列表中测量接触事件来解决。
Cuebiq Inc.在这项工作中使用的移动数据既有优点也有缺点。正如本研究所显示的，很明显，这些数据可以在丰富我们对政策干预效果的理解方面发挥重要作用，从而通过为我们提供实时态势感知工具，增强我们在持续爆发期间真实地建模和预测疾病传播的能力，使我们能够监测身体行为和移动性的变化。但是，这些数据也有一些局限性：如果大量用户决定选择退出数据共享协议，则可靠性可能会受到用户选择退出机制的影响;我们没有关于Cuebiq用户正在使用的应用程序的具体列表的信息，因此我们无法直接控制用户群体中潜在的自我选择偏差;GPS数据有时可能不精确，特别是在人口稠密的城市地区或GPS信号较差的位置，这可能会影响基于位置的数据的质量;数据的泛化性可能会受到限制，因为它是从位置是功能核心的应用程序中收集的。在这项研究中，我们通过建立一个选定的用户小组并评估其在关键社会人口学特征方面的代表性来解决数据局限性。尽管如此，我们已经证明，在持续的大流行期间，使用高分辨率位置数据可以大规模量化集体物理距离。展望未来，尽管存在上述局限性，但使用本工作中提出的流动性和邻近性指标将使我们能够制定更精确和有效的缓解策略，从而有可能将社会疏远方法与其他干预措施相结合，并最终为我们面对未来大流行的行动和政策提供信息。
支持信息
小组代表性。
显示 1/34： pdig.0000430.s001.pdf
跳到无花果分享导航
专家组代表性使用移动用户的便利样本来研究行为变异及时需要谨慎[1]，我们采取措施减少两个主要来源潜在偏差：用户流失和用户选择偏差。特别是，首先，我们使用稳定的纵向测量五个集体物理距离指标在 1 月至 1 月期间持续活跃的 Cuebiq Inc. 用户小组2020年6月。其次，我们检查了社会人口统计学的代表性该小组进行了两次单独的分析，有和没有针对特定县的分析控制汇总社会人口特征的抽样权重例如年龄、性别、种族、教育程度和收入。我们的方法使我们能够创建一个具有统计代表性和稳定的用户样本，以达到充分衡量美国在全国范围内的集体身体距离，州和大都市级别的聚合。此外，作为稳健性检查，我们提供了集体身体距离措施之间的相关性以及已公开提供的其他几个数据集（请参阅支持信息）。在这个比较中，我们观察到类似定义的度量。例如，捕捉到的流动性下降趋势在我们的指标中，与谷歌的居家措施密切相关（皮尔逊r=?0.78 表示移动范围，r=?0.73 代表通勤量，r=?0.72对于接触持续时间，r=?0.69 表示不同的联系人，以及r=?0.城际 60 人过境）以及其他可比较的过境措施（见S8图和S9图在我们的措施与来自苹果、谷歌、Waze、PlaceIQ 和美国交通部）。至关重要的是，这项工作中提出的措施提供了额外的见解，即1
似乎没有被其他公开可用的数据集完全捕获，尤其是在查看用于人类交互的公开代理时。让我们定义覆盖范围c我对于通用县我如c我=n我/N我哪里n我表示数字我们小组中家位于县的用户我而N我表示居住在县内的人数我根据美国官方人口普查统计学。然后，在 S1 图中，我们表明，虽然分布的中位数的c我的覆盖范围只有 1 左右.76%，两者之间的整体相关性每个县的面板用户数和实际县人口为 96.7%.在换句话说，观察到的用户数量之间存在很强的相关性因此，在我们的小组中，每个县和实际的县级人口这表明我们的小组在县方面没有很强的抽样偏差人口规模是关注的。进一步测试我们的小组是否能很好地代表美国。人口，我们计算了几个社会人口统计学特征的聚合在国家层面，从县级数据中获取每个县的贡献与其 Cuebiq 面板尺寸成正比，我们将这些值与那些值进行比较取而代之的是，我们使用每个县的 GroundTruth 人口规模。在 S2 图中，我们表明我们的面板表现出与2014-2018 年 5 年美国社区记录的统计数据值调查 （ACS）。具体而言，我们将此版本的面板称为联合国-加权面板，因为没有对单个用户应用采样权重。最后，作为作为额外的鲁棒性检查，我们引入了面板的第二个版本，即加权面板，其中抽样权重（在文献中也称为调查权重）分配给每个县，以调整每个用户居住的贡献在给定的县中，对人口社会人口特征的估计特制。特别是，使用基于公认的统计方法技术[2,3]，我们估计抽样权重，使每个用户对2
1 / 34
下载
无花果分享
S1 文本。 小组代表性。
https://doi.org/10.1371/journal.pdig.0000430.s001
（PDF格式）
S2 文本。 跨数据集关联物理距离措施。
https://doi.org/10.1371/journal.pdig.0000430.s002
（PDF格式）
S3 文本。 敏感性分析：远程办公和通勤。
https://doi.org/10.1371/journal.pdig.0000430.s003
（PDF格式）
S4 文本。 将接触模式与新的阳性检测结果相关联。
https://doi.org/10.1371/journal.pdig.0000430.s004
（PDF格式）
S5 文本。 引文多样性声明。
https://doi.org/10.1371/journal.pdig.0000430.s005
（PDF格式）
S1 图。 小组成员覆盖率。
https://doi.org/10.1371/journal.pdig.0000430.s006
（PDF格式）
S2 图。 国家层面的社会人口统计学。
https://doi.org/10.1371/journal.pdig.0000430.s007
（PDF格式）
S3 图。 县级权重。
https://doi.org/10.1371/journal.pdig.0000430.s008
（PDF格式）
S4 图。 县级权重分配统计程序示意图。
https://doi.org/10.1371/journal.pdig.0000430.s009
（PDF格式）
S5 图。 随时间推移的流动性和人与人之间的接触变化（未加权面板）。
https://doi.org/10.1371/journal.pdig.0000430.s010
（PDF格式）
S6 图。 集体身体疏远和新死亡（未加权面板）。
https://doi.org/10.1371/journal.pdig.0000430.s011
（PDF格式）
S7 图。 集体身体距离：加权与未加权。
https://doi.org/10.1371/journal.pdig.0000430.s012
（PDF格式）
S8 图。 跨移动数据集的相关性。
https://doi.org/10.1371/journal.pdig.0000430.s013
（PDF格式）
S9 图。 跨移动数据集的比较。
https://doi.org/10.1371/journal.pdig.0000430.s014
（PDF格式）
S10 图。 远程办公和通勤模式。
https://doi.org/10.1371/journal.pdig.0000430.s015
（PDF格式）
S11 图。 集体保持身体距离和新发感染。
https://doi.org/10.1371/journal.pdig.0000430.s016
（PDF格式）
S12 图。 每个州都保持集体身体距离。
https://doi.org/10.1371/journal.pdig.0000430.s017
（PDF格式）
S13 图。 亚特兰大-雅典-克拉克县-佐治亚州桑迪斯普林斯的流动性和人与人接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s018
（PDF格式）
S14 图 马萨诸塞州波士顿-伍斯特-普罗维登斯、马萨诸塞州-新罕布什尔州-康涅狄格州流动性和人与人之间接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s019
（PDF格式）
S15 图。 伊利诺伊州伊利诺伊州芝加哥-内珀维尔的流动性和人与人之间的接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s020
（PDF格式）
S16 图。 德克萨斯州达拉斯-沃斯堡的流动性和人与人之间的接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s021
（PDF格式）
S17 图。 科罗拉多州丹佛-奥罗拉市随时间推移的流动性和人与人之间的接触变化。
https://doi.org/10.1371/journal.pdig.0000430.s022
（PDF格式）
S18 图。 密歇根州底特律-沃伦-安娜堡的流动性和人与人之间的接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s023
（PDF格式）
S19 图例。 加利福尼亚州洛杉矶-长滩的流动性和人与人之间接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s024
（PDF格式）
S20 图。 佛罗里达州迈阿密-圣露西港-劳德代尔堡的流动性和人与人之间接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s025
（PDF格式）
S21 图例。 新奥尔良-梅泰里-哈蒙德，路易斯安那州密西西比州流动性和人与人之间接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s026
（PDF格式）
S22 图。 纽约-纽瓦克、纽约-新泽西州-康涅狄格州-宾夕法尼亚州流动性和人与人之间接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s027
（PDF格式）
S23 图。 佛罗里达州奥兰多-莱克兰-德尔托纳的流动性和人与人之间的接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s028
（PDF格式）
S24 图。 宾夕法尼亚州费城-雷丁-卡姆登市的流动性和人与人之间的接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s029
（PDF格式）
S25 图 亚利桑那州凤凰城梅萨的流动性和人与人之间的接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s030
（PDF格式）
S26 图。 加利福尼亚州圣何塞-旧金山-奥克兰的流动性和人与人之间的接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s031
（PDF格式）
S27 图。 华盛顿州西雅图-塔科马的流动性和人与人之间的接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s032
（PDF格式）
S28 图。 圣路易斯-圣随时间推移的流动性和人与人之间的接触变化。查尔斯-法明顿，密苏里州伊利诺伊州。
https://doi.org/10.1371/journal.pdig.0000430.s033
（PDF格式）
S29 图。 华盛顿-巴尔的摩-阿灵顿、DC-MD-VA-WV-PA 的流动性和人与人接触随时间的变化。
https://doi.org/10.1371/journal.pdig.0000430.s034
（PDF格式）
确认
我们感谢 Ciro Cattuto、Michele Tizzoni 和 Zachary Cohen 帮助理解 Cuebiq 数据的详细信息，并感谢 Esteban Moro 的评论。我们还要感谢 Chia-Hung Yang 提供的编码帮助。我们感谢 Agastya Mondal 和 Robel Kassa 开发在线仪表板。图 2 中使用的地理边界是从美国人口普查局获得的。
引用
1.Oliver N、Lepri B、Sterly H、Lambiotte R、Delataille S、De Nadai M 等。用于在整个 COVID-19 大流行生命周期内为公共卫生行动提供信息的移动电话数据。科学进步。2020;0764.PMID：32548274
查看文章PubMed/NCBI的Google 学术搜索
2.De Montjoye YA， Gambs S， Blondel V， Canright G， de Cordes N， Deletaille S， et al. 评论：关于手机数据的隐私意识使用。科学数据。2018;5:1–6.
查看文章Google 学术搜索
3.Buckee CO、Balsari S、Chan J、Crosas M、Dominici F、Gasser U 等。汇总的移动数据有助于抗击COVID-19。科学。2020;368(6487):145–146.PMID：32205458
查看文章PubMed/NCBI的Google 学术搜索
4.Pepe E， Bajardi P， Gauvin L， Privitera F， Lake B， Cattuto C， et al. COVID-19 疫情应对，一个用于评估意大利在全国封锁后流动性变化的数据集。科学数据。2020;7(1):3–9.PMID：32641758
查看文章PubMed/NCBI的Google 学术搜索
5.Bakker M、Berke A、Groh M、Pentland AS、Moro E. 纽约市的社会疏远;2020. http://curveflattening.media.mit.edu/posts/social-distancing-new-york-city/.
6.格兰兹 J、凯里 B、霍尔德 J、沃特金斯 D、瓦伦蒂诺-德弗里斯 J、罗哈斯 R 等。即使病毒传播，美国也没有呆在家里;2020. https://nyti.ms/3aAql0E.
7.Valentino-DeVries J、Lu D、舞蹈 GJX。位置数据说明了一切：在冠状病毒期间呆在家里是一种奢侈;2020. https://www.nytimes.com/interactive/2020/04/03/us/coronavirus-stay-home-rich-poor.html.
8.Canipe C.美国的社会疏远;2020. https://graphics.reuters.com/HEALTH-CORONAVIRUS/USA/qmypmkmwpra/index.html.
9.谷歌。了解您的社区如何因COVID-19而以不同的方式移动;2020. https://www.google.com/covid19/mobility/.
10.Gao S， Rao J， Kang Y， Liang Y， Kruse J， Dopfer D， et al.在美国，旅行和居家任务的移动电话位置数据指示与 COVID-19 感染率的关联。JAMA网络开放。2020;3（9）：e2020485.PMID：32897373
查看文章PubMed/NCBI的Google 学术搜索
11.Chang S、Pierson E、Koh PW、Gerardin J、Redbird B、Grusky D 等。COVID-19 的移动网络模型解释了不平等现象并为重新开放提供了信息。自然界。2021;589(7840):82–87.PMID：33171481
查看文章PubMed/NCBI的Google 学术搜索
12.美国商务部。零售业和食品服务的月度销售额预支;2020. https://www.census.gov/retail/marts/www/marts_current.pdf.
13.Flaxman S、Mishra S、Gandy A、Unwin HJT、Mellan TA、Coupland H 等。估计非药物干预措施对欧洲 COVID-19 的影响。自然界。2020;584(7820):257–261.PMID：32512579
查看文章PubMed/NCBI的Google 学术搜索
14.Haug N、Geyrhofer L、Londei A、Dervic E、Desvars-Larrive A、Loreto V 等。对全球COVID-19政府干预措施的有效性进行排名。自然人类行为。2020;4(12):1303–1312.PMID：33199859
查看文章PubMed/NCBI的Google 学术搜索
15.Di Domenico L， Pullano G， Sabbatini CE， Bo?lle PY， Colizza V. 封锁对法兰西岛 COVID-19 疫情的影响和可能的退出策略。BMC医学。2020;18(1):240.PMID：32727547
查看文章PubMed/NCBI的Google 学术搜索
16.Fang H， Wang L， Yang Y. 人类流动限制和新型冠状病毒（2019-nCoV）在中国的传播.公共经济学杂志。2020;191:104272.PMID：33518827
查看文章PubMed/NCBI的Google 学术搜索
17.Perra N. COVID-19 大流行期间的非药物干预：综述。物理报告。2021;913:1–52.PMID：33612922
查看文章PubMed/NCBI的Google 学术搜索
18.刘莹， 摩根斯坦 C， 凯利 J， 洛 R， 吉特 M.非药物干预措施对SARS-CoV-2在130个国家和地区的传播的影响。BMC医学。2021;19(1):1–12.PMID：33541353
查看文章PubMed/NCBI的Google 学术搜索
19.Hunter PR、Colón-González FJ、Brainard J、Rushton S. 2020 年欧洲非药物干预措施对 COVID-19 的影响：一项准实验性非等效组和时间序列设计研究。欧洲监视。2021;26(28):2001401.PMID：34269173
查看文章PubMed/NCBI的Google 学术搜索
20.Brauner JM、Mindermann S、Sharma M、Johnston D、Salvatier J、Gaven?iak T 等。推断政府对COVID-19的干预措施的有效性。科学。2021;371（6531）：EABD9338。PMID：33323424
查看文章PubMed/NCBI的Google 学术搜索
21.白宫。美国冠状病毒指南;2020. https://www.whitehouse.gov/briefings-statements/coronavirus-guidelines-america/.
22.Mervosh S， Lu D， Swales V.看看哪些州和城市告诉居民呆在家里;2020. https://nyti.ms/2y5j9LN.
23.梅尔沃什 S， 李 JC， 加米奥 L， 波波维奇 N.看看哪些州正在重新开放，哪些州仍处于关闭状态;2020. https://nyti.ms/2Y37Ezj.
24.Davis JT、Chinazzi M、Perra N、Mu K、Pastore y Piontti A、Ajelli M 等人。SARS-CoV-2 和第一波 COVID-19 的神秘传播。自然界。2021;600(7887):127–132.PMID：34695837
查看文章PubMed/NCBI的Google 学术搜索
25.Ray EL、Wattanachit N、Niemi J、Kanji AH、House K、Cramer EY 等。美国 2019 年冠状病毒病 （COVID-19） 的综合预测。medRxiv的。2020.
查看文章Google 学术搜索
26.Woody S、Tec MG、Dahan M、Gaither K、Lachmann M、Fox S 等。使用来自手机的社交距离措施对美国第一波 COVID-19 死亡人数的预测。medRxiv的。2020.
查看文章Google 学术搜索
27.美国人口普查局。词汇表;2019. https://www.census.gov/programs-surveys/geography/about/glossary.html.
28.Dingel JI， Neiman B.在家可以做多少工作？国家经济研究局;2020. 26948.PMID：32834177
查看文章PubMed/NCBI的Google 学术搜索
29.Dey M.、Frazis H.、Piccone D.S. Jr、Loewenstein M.A. 大流行期间的远程办公和失业：来自美国劳工统计局 CPS 月度劳工评论的新证据;2021.
30.米勒 K，库里 K.COVID跟踪项目;2020. https://github.com/COVID19Tracking.
31.González MC， Hidalgo CA， Barabási AL. 了解个体人类流动模式。自然界。2008;453(7196):779–782.PMID：18528393
查看文章PubMed/NCBI的Google 学术搜索
32.美国疾病控制与预防中心。调整接触者追踪计划以应对COVID-19大流行的运营考虑因素;2020. https://www.cdc.gov/coronavirus/2019-ncov/downloads/global-covid-19/operational-considerations-contact-tracing.pdf.
33.尼迈耶·乔哈什（Niemeyer G.Geohash）;2008. https://en.wikipedia.org/wiki/Geohash.
34.Aleta A、Martín-Corral D、Pastore y Piontti A、Ajelli M、Litvinova M、Chinazzi M 等。模拟检测、接触者追踪和家庭隔离对第二波COVID-19的影响。自然人类行为。2020;4(9):964–971.PMID：32759985
查看文章PubMed/NCBI的Google 学术搜索
35.Aleta A、Martín-Corral D、Bakker MA、y Piontti AP、Ajelli M、Litvinova M 等。量化SARS-CoV-2传播事件在大都市地区的重要性和位置。美国国家科学院院刊。2022;119（26）：e2112182119.PMID：35696558
查看文章PubMed/NCBI的Google 学术搜索
36.Mistry D、Litvinova M、Pastore y Piontti A、Chinazzi M、Fumanelli L、Gomes MFC 等。推断用于疾病建模的高分辨率人类混合模式。自然通讯。2021;12(1):323.PMID：33436609
查看文章PubMed/NCBI的Google 学术搜索
37.美国疾病控制与预防中心。COVID-19 了解暴露风险;2022. https://www.cdc.gov/coronavirus/2019-ncov/your-health/risks-exposure.html.
38.美国劳工统计局。2017-2018年期间，按选定的特征，可以在家工作、在家工作并因在家工作而获得报酬的工人;2019. https://www.bls.gov/news.release/flex2.t01.htm.
39.Brynjolfsson E， Horton JJ， Ozimek A， Rock D， Sharma G， TuYe HY.COVID-19 和远程工作：美国数据的早期观察。国家经济研究局;2020. 27344.
查看文章Google 学术搜索
40.美国劳工部。2020年4月30日：失业保险周报;2020. https://www.dol.gov/sites/dolgov/files/OPA/newsreleases/ui-claims/20200774.pdf.
41.Rader B、Scarpino SV、Nande A、Hill AL、Adlam B、Reiner RC 等。拥挤和 COVID-19 流行病的形状。自然医学。2020;26(12):1829–1834.PMID：33020651
查看文章PubMed/NCBI的Google 学术搜索
42.国家卫生统计中心。NCHS县城乡分类方案;2013. https://www.cdc.gov/nchs/data_access/urban_rural.htm.
43.美国疾病控制与预防中心。COVID-19 大流行规划方案;2020. https://www.cdc.gov/coronavirus/2019-ncov/hcp/planning-scenarios.html.
44.熊C， 胡 S， 杨M， 罗W， 张L. 移动设备数据揭示了人类流动性与COVID-19感染之间正相关关系的动态。美国国家科学院院刊。2020;117(44):27087–27089.
查看文章Google 学术搜索
45.巴德尔 HS、杜 H、马歇尔 M、东 E、斯奎尔 MM、加德纳 LM。美国流动模式与 COVID-19 传播之间的关联：一项数学建模研究。柳叶刀传染病。2020;20(11):1247–1254.PMID：32621869
查看文章PubMed/NCBI的Google 学术搜索
46.Monod M， Blenkinsop A， 习 X， Hebert D， Bershan S， Tietze S， et al.在美国持续持续 COVID-19 疫情的年龄组。科学。2021;371 (6536).PMID：33531384
查看文章PubMed/NCBI的Google 学术搜索
47.美国疾病控制与预防中心。2019 年冠状病毒病 （COVID-19） 的临时死亡人数;2023. https://www.cdc.gov/nchs/covid19/mortality-overview.htm.
48.Althouse BM、Wallace B、Case B、Scarpino SV、Berdhal A、White ER 等。疫情防控政策不一致的意外后果。medRxiv的。2020. PMID：32869043
查看文章PubMed/NCBI的Google 学术搜索
49.Holtz D， Zhao M， Benzell SG， Cao CY， Rahimian MA， Yang J， et al.相互依存和应对COVID-19不协调的成本。美国国家科学院院刊。2020;117(33):19837–19843.PMID：32732433
查看文章PubMed/NCBI的Google 学术搜索
50.Kang S-J， Kim S， Park K-H， Jung SI， Shin M-H， Kweon S-S， et al.通过追踪、检测和隔离成功控制 COVID-19 疫情：从韩国大都市的疫情控制工作中吸取的经验教训 感染与公共卫生杂志.2021;14(9):1151–1154.PMID：34364306
查看文章PubMed/NCBI的Google 学术搜索
51.王 CJ， 吴 CY， 布鲁克 RH.台湾应对 COVID-19：大数据分析、新技术和主动测试。贾马。2020;323(14):1341–1342.PMID：32125371
查看文章PubMed/NCBI的Google 学术搜索
52.怀特劳 S、妈妈 MA、白杨 E、范斯波尔 HGC。数字技术在 COVID-19 大流行规划和应对中的应用。《柳叶刀》数字健康。2020;2（8）：e435–e440。PMID：32835201
查看文章PubMed/NCBI的Google 学术搜索
53.张杰， 利特维诺娃， 梁莹， 王莹， 王莹， 赵贤， 等.接触模式的变化塑造了中国COVID-19疫情的动态。科学。2020;368(6498):1481–1486.PMID：32350060
查看文章PubMed/NCBI的Google 学术搜索
54.Nishiura H、Oshitani H、Kobayashi T、Saito T、Sunagawa T、Matsui T 等。封闭环境促进了 2019 年冠状病毒病 （COVID-19） 的继发性传播。medRxiv的。2020.
查看文章Google 学术搜索