Incorporating county-level NO2 data into a metapopulation model: a case study of the first COVID-19 wave in Oklahoma

Technische Samenvatting: Integratie van NO2-gegevens op county-niveau in een metapopulatiemodel voor de eerste COVID-19-golf in Oklahoma

Probleemstelling
Hoewel epidemiologische studies associaties hebben vastgesteld tussen blootstelling aan stikstofdioxide (NO2) en een verhoogde vatbaarheid voor respiratoire infectieziekten, en biologisch bewijs suggereert dat NO2 de kwetsbaarheid voor infectie vergroot, is er een tekort aan mechanistische epidemische modellen die expliciet luchtvervuilingsgegevens integreren. Bestaande modellen houden vaak geen rekening met de manier waarop omgevingsfactoren de transmissiedynamiek direct moduleren naast menselijke mobiliteit.

Methodologie
De auteurs introduceren een nieuw NO2- en mobiliteits-geïnformeerd metapopulatiemodel om de eerste golf van de COVID-19-pandemie in Oklahoma te analyseren. De methodologie integreert twee primaire datastromen:

1. Omgevingsgegevens: County-gebaseerde NO2-concentraties worden direct in de infectiecijfers geïntegreerd via een parametrisering van de eerste orde.
2. Mobiliteitsgegevens: Mobiliteitspatronen met een hoge resolutie worden gebruikt om heterogene inter-county connectiviteit te vangen.

De studie maakt gebruik van numerieke simulaties om te onderzoeken hoe variërende niveaus van omgevingsgevoeligheid de uitbraaktrajecten beïnvloeden. Bovendien wordt het model gefit op COVID-19-incidentiegegevens op county-niveau en rigoureus vergeleken met twee baselines:

• Een klassiek SIR-model dat onafhankelijk voor elke county is gefit.
• Een model dat enkel op mobiliteit is gebaseerd, waarbij NO2 is verwijderd en de infectiecijfers als homogeen over de counties worden beschouwd.

Prestaties worden geëvalueerd met behulp van standaard foutmetrieken, specif kind de genormaliseerde Root Mean Square Error (nRMSE), over verschillende epidemische stadia: surge (oploop), peak (piek), post-peak (na de piek) en decline (afname).

Belangrijkste Resultaten

• Simulatiedynamiek: Numerieke simulaties wijzen uit dat een hogere omgevingsgevoeligheid leidt tot eerdere en meer gesynchroniseerde uitbraken over de counties heen, terwijl een lagere gevoeligheid resulteert in vertraagde en asynchrone trajecten.
• Modelprestaties vs. SIR: Wanneer gefit aan historische gegevens, presteerde het voorgestelde model beter dan het onafhankelijke SIR-model in meer dan 75% van de Oklahoma-counties over alle standaard foutmetrieken.
• Voorspellende nauwkeurigheid: Het voorgestelde model vertoonde superieure voorspellende vermogens tijdens alle epidemische stadia. De winstpercentages tegenover het SIR-model op basis van nRMSE waren:
  • Surge: 59,74%
  • Peak: 87,01%
  • Post-peak: 80,52%
  • Decline: 88,31%
• Bijdrage van NO2: Het isoleren van de NO2-component onthulde dat het de voorspellingen tijdens perioden van hoge incidentie aanzienlijk verbeterde. Specifiek verbeterde de inclusie van NO2 de county-gebaseerde voorspellingen tijdens de surge (94,81% van de counties), post-peak (88,31%) en peak (62,34%) stadia vergeleken met het mobiliteit-alleen model. De NO2-term leverde echter geen verbeteringen op tijdens de vroege en de afnamefases.

Betekenis en Claims
Het artikel beweert dat omgevingsblootstelling, specifiek NO2, direct kan worden geïntegreerd in de transmissiestructuur van een mechanistisch epidemisch model. De auteurs stellen dat deze integratie leidt tot meetbare voordelen in de voorspellende waarde, met name tijdens perioden van hoge incidentie, wat aantoont dat het combineren van omgevingsgegevens met mobiliteitspatronen een robuuster kader biedt voor het begrijpen en voorspellen van epidemische dynamiek dan enkel mobiliteitsgegevens of standaard compartimentele modellen alleen.