Geographic Sensitivity of COVID-19 Outcomes: A Multiscale Analysis of Temporal and Spatial Non-Stationarity in the Contiguous United States
यह अध्ययन प्रदर्शित करता है कि सन्निहित संयुक्त राज्य अमेरिका में काउंटी-स्तरीय कोविड-19 असमानताएं टेम्पोरल (सामयिक) और मल्टीस्केल स्थानिक नॉन-स्टेशनैरिटी (अस्थिरता) द्वारा संचालित हैं, विशेष रूप से समय के साथ शहरी-ग्रामीण मृत्यु दर प्रवणता (ग्रेडिएंट) में एक उलटफेर द्वारा, न कि स्थिर सामाजिक-पर्यावरणीय कमजोरियों द्वारा, जिससे यह स्पष्ट होता है कि संचयी विश्लेषण सुसंगत भविष्यवक्ताओं की पहचान करने में क्यों विफल रहते हैं।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
रोगों का भूगोल लंबे समय से सार्वजनिक स्वास्थ्य में एक केंद्रीय प्रश्न रहा है। दशकों से, वैज्ञानिक इस बात का मानचित्र बनाने की कोशिश कर रहे हैं कि क्यों कुछ स्थान किसी बीमारी से अधिक पीड़ित होते हैं, वे किसी समुदाय के स्थिर गुणों को देखते हैं—जैसे कि गरीबी, आवास घनत्व, या स्वास्थ्य सेवा तक पहुँच—जो किसी स्थान को स्वाभाविक रूप से अधिक संवेदनशील बना सकते हैं। यह दृष्टिकोण मानता है कि किसी स्थान का जोखिम एक स्थिर गुण है, जैसे कि किसी घर का रंग, जो किसी प्रकोप के होने के बावजूद समान रहता है। हालाँकि, कोविड-19 महामारी ने इस दृष्टिकोण को चुनौती दी। वायरस पूरे संयुक्त राज्य अमेरिका में एक साथ नहीं आया; यह अलग-अलग स्थानों पर अलग-अलग समय पर पहुँचा, और इस लड़ाई में उपलब्ध उपकरण भी तीन वर्षों में नाटकीय रूप से बदल गए। संकट के विकसित होने के साथ किसी स्थान के जोखिम कैसे बदलता है, इसे समझना—केवल एक अपरिवर्तनीय कारण खोजने के बजाय—महामारी के असमान प्रभाव को समझने के लिए आवश्यक है।
परिमित संयुक्त राज्य अमेरिका में महामारी का एक नया विश्लेषण यह प्रकट करता है कि कौन बीमार हुआ और किसकी मृत्यु हुई, इसकी कहानी पिछले अध्ययनों की तुलना में कहीं अधिक गतिशील है। शोधकर्ताओं ने 2,754 काउंटियों (counties) के डेटा का परीक्षण किया, जनवरी 2020 से मार्च 2023 तक दैनिक मामलों और मौतों को ट्रैक किया। उन्होंने इन परिणामों को सामाजिक संवेदनशीलता, वायु गुणवत्ता और पुरानी बीमारियों की दर सहित दर्जनों स्थानीय कारकों से जोड़ा। अध्ययन ने दो सामान्य धारणाओं का परीक्षण किया: यह कि एक काउंटी की विशेषताएं संक्रमण और मृत्यु की कुल संख्या की भविष्यवाणी एक स्थिर तरीके से करती हैं, और ये संबंध पूरे मानचित्र पर हर जगह सत्य हैं। निष्कर्ष इस विचार को उलट देते हैं कि एक काउंटी में जोखिम का एक निश्चित स्तर होता है। इसके बजाय, डेटा दिखाता है कि जिन कारकों को आमतौर पर असमानताओं के लिए जिम्मेदार ठहराया जाता था, वे एक काउंटी में हुए संक्रमणों की कुल संख्या के बारे में लगभग कोई जानकारी नहीं दे सके। जब मृत्यु की बात आई, तो एकमात्र सुसंगत भविष्यवक्ता केवल काउंटी की जनसंख्या का आकार था, लेकिन यहाँ तक कि यह संबंध भी महामारी के दौरान पूरी तरह से पलट गया।
सबसे चौंकाने वाली खोज यह है कि काउंटी के आकार और मृत्यु दर के बीच का संबंध किस प्रकार दिशा बदल गया। 2020 की वसंत ऋतु में, जब वायरस पहली बार आया था, तब घनी आबादी वाले बड़े काउंटियों को मृत्यु का बहुत अधिक जोखिम था। एक काउंटी जिसकी जनसंख्या औसत से एक मानक विचलन (standard deviation) अधिक थी, उसमें एक छोटी काउंटी की तुलना में मृत्यु दर लगभग 29 प्रतिशत अधिक थी। उस समय यह समझ में आता था, क्योंकि टीके या प्रभावी उपचारों के अस्तित्व में आने से पहले न्यूयॉर्क जैसे प्रमुख शहरों के माध्यम से वायरस तेजी से फैला था। हालाँकि, जैसे-जैसे महामारी आगे बढ़ी और 2020 की गर्मियों और बाद की लहरों में प्रवेश किया, यह पैटर्न उलट गया। प्रत्येक बाद की लहर में, बड़े काउंटियों में वास्तव में मृत्यु दर कम थी, जो उनके छोटे समकक्षों की तुलना में 10 से 24 प्रतिशत कम थी। यह बदलाव इतना पूर्ण था कि छोटे कस्बों का शुरुआती लाभ और बड़े शहरों का बाद का लाभ एक-दूसरे को रद्द कर गया जब शोधकर्ताओं ने पूरी महामारी को समय के एक एकल ब्लॉक के रूप में देखा। यह समझाता है कि क्यों पहले के अध्ययनों ने, जिन्होंने सभी डेटा को जोड़ दिया था, कमजोर या भ्रमित करने वाले परिणाम दिए; वे एक ही समय में दो विपरीत वास्तविकताओं को एक भ्रामक संख्या में औसत निकाल रहे थे।
यह उलटफेर डेटा की कमी या सरल जनसांख्यिकी का परिणाम नहीं था। शोधकर्ताओं ने टीकाकरण दरों के लिए समायोजन किया, जो बाद की लहरों में अत्यधिक सुरक्षात्मक थीं, और उन्होंने आयु के लिए भी समायोजन किया, क्योंकि वृद्ध आबादी उच्च जोखिम पर होती है। इन समायोजनों के बाद भी, पैटर्न बना रहा: बड़े शहर शुरुआत में सबसे अधिक प्रभावित हुए, और छोटे कस्बे बाद में अधिक पीड़ित हुए। अध्ययन ने यह भी पाया कि इस प्रभाव का भौगोलिक पैमाना बदल गया। शुरुआत में, बड़े शहरों में उच्च जोखिम एक बहुत ही स्थानीय घटना थी, जो कुछ तटीय महानगरीय क्षेत्रों में केंद्रित थी। जैसे-जैसे वायरस स्थानिक (endemic) हो गया और देश भर में फैल गया, काउंटी के आकार का प्रभाव पूरे देश को कवर करने के लिए फैल गया, जिससे ग्रामीण और शहरी क्षेत्र दोनों प्रभावित हुए।
शोधकर्ताओं ने यह भी परीक्षण किया कि क्या स्थानीय कारकों और मृत्यु दर के बीच का संबंध स्थान के अनुसार भिन्न होता है, जिसे 'स्थानिक गैर-स्थिरता' (spatial non-stationarity) कहा जाता है। उन्होंने यह देखने के लिए उन्नत सांख्यिकीय मॉडल का उपयोग किया कि क्या किसी विशिष्ट कारक, जैसे गरीबी या वायु गुणवत्ता का प्रभाव, देश के एक हिस्से में दूसरे हिस्से की तुलना में भिन्न है। उन्होंने पाया कि अधिकांश सामाजिक और पर्यावरणीय कारक स्थान के आधार पर भिन्न नहीं थे; उनका प्रभाव पूरे राष्ट्र में सुसंगत था। एकमात्र चीजें जो स्थान के अनुसार वास्तव में भिन्न थीं, वे थीं मृत्यु का आधारभूत जोखिम और जनसंख्या के आकार का प्रभाव। यह सुझाव देता है कि "निश्चित भेद्यता मानचित्र" (fixed vulnerability map) का विचार, जहाँ कुछ प्रकार के पड़ोस हमेशा उच्च जोखिम पर होते हैं, महामारी की वास्तविकता के अनुकूल नहीं है। इसके बजाय, जोखिम का भूगोल तरल था, जो वायरस के आगमन के समय और इसके प्रसार के बदलते पैमाने द्वारा आकार लिया गया था।
अंततः, यह कार्य तर्क देता है कि स्थान-आधारित स्वास्थ्य जोखिमों को समझने के लिए, हमें समय और स्थान दोनों को एक साथ देखना चाहिए। एक एकल स्नैपशॉट या संचयी कुल (cumulative total) उस घटना को नहीं पकड़ सकता जो तीन वर्षों में खुद को उलट देती है। महामारी ने भेद्यता के एक स्थिर परिदृश्य को प्रकट नहीं किया; इसने एक गतिशील परिदृश्य को प्रकट किया जहाँ एक बड़े शहर या एक छोटे शहर में होने से जुड़े जोखिम संकट के विकसित होने के साथ बदल गए। यह पहचानकर कि ये संबंध स्थिर नहीं हैं, सार्वजनिक स्वास्थ्य अधिकारी बेहतर ढंग से अनुमान लगा सकते हैं कि भविष्य के प्रकोप कैसे बढ़ सकते हैं और वे कहाँ सबसे अधिक प्रहार करेंगे, जिससे स्थायी कारणों की खोज से आगे बढ़कर जोखिम की परिवर्तनशील प्रकृति को समझा जा सके।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।