Geographic Sensitivity of COVID-19 Outcomes: A Multiscale Analysis of Temporal and Spatial Non-Stationarity in the Contiguous United States
Deze studie toont aan dat de verschillen in COVID-19 op county-niveau in de aaneengesloten Verenigde Staten worden gedreven door temporele en multiscale ruimtelijke niet-stationariteit, in het bijzonder een omkering van de stedelijk-rurale mortaliteitsgradiënt in de loop van de tijd, in plaats van door vaste socio-omgevingskwetsbaarheden, waardoor wordt verklaard waarom cumulatieve analyses er niet in slagen consistente voorspellers te identificeren.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
De geografie van ziekte is al lang een centrale vraag binnen de volksgezondheid. Decennialang hebben wetenschappers geprobeerd in kaart te brengen waarom sommige plaatsen meer lijden onder een ziekte dan andere, waarbij ze zochten naar vaste kenmerken in een gemeenschap — zoals armoede, woningdichtheid of toegang tot de gezondheidszorg — die een locatie inherent kwetsbaarder zouden maken. Deze benadering gaat ervan uit dat het risico van een plaats een statische eigenschap is, zoals de kleur van een huis, die hetzelfde blijft ongeacht wanneer een uitbraak plaatsvindt. De COVID-19-pandemie daagde dit beeld echter uit. Het virus trof de Verenigde Staten niet tegelijkertijd; het arriveerde op verschillende plaatsen op verschillende tijdstippen, en de middelen die beschikbaar waren om het te bestrijden, veranderden drastisch gedurende drie jaar. Begrijpen hoe het risico van een locatie verschuift naarmate een crisis evolueert, in plaats van alleen te zoeken naar één onveranderlijke oorzaak, is essentieel om de ongelijke impact van de pandemie te begrijpen.
Een nieuwe analyse van de pandemie in de aaneengesloten Verenigde Staten onthult dat het verhaal over wie ziek werd en wie stierf, veel dynamischer is dan eerdere studies suggereerden. Onderzoekers bestudeerden gegevens van 2.754 county's en volgden dagelijkse gevallen en sterfgevallen van januari 2020 tot maart 2023. Ze koppelden deze uitkomsten aan tientallen lokale factoren, waaronder sociale kwetsbaarheid, luchtkwaliteit en de prevalentie van chronische ziekten. De studie testte twee veelvoorkomende aannames: dat de kenmerken van een county het totale aantal infecties en sterfgevallen op een stabiele manier voorspellen, en dat deze relaties overal op de kaart waar zijn. De bevindingen weerleggen het idee dat een county een vast risiconiveau draagt. In plaats daarvan laten de gegevens zien dat de factoren die meestal de schuld krijgen van ongelijkheden, vrijwel geen informatie boden over het totale aantal infecties dat een county ervoer. Wat betreft sterftegevallen was de enige consistente voorspeller simpelweg de omvang van de populatie van de county, maar zelfs deze relatie keerde volledig om gedurende de pandemie.
De meest opvallende ontdekking is hoe de link tussen de omvang van de county en de sterftecijfers van richting veranderde. In de lente van 2020, toen het virus voor het eerst arriveerde, liepen grotere county's met dichtbevolkte gebieden een veel hoger risico op overlijden. Een county met een populatie die één standaarddeviatie groter is dan het gemiddelde, zag een sterftecijfer dat ongeveer 29 procent hoger lag dan dat van een kleinere county. Dit was destijds logisch, aangezien het virus zich snel verspreidde via grote steden zoals New York voordat er vaccins of effectieve behandelingen bestonden. Echter, naarmate de pandemie vorderde door de zomer van 20 much en in de daaropvolgende golven, keerde dit patroon om. In elke latere golf hadden grotere county's juist lagere sterftecijfers, variërend van 10 tot 24 procent lager dan hun kleinere tegenhangers. De verschuiving was zo compleet dat het vroege voordeel van kleine dorpjes en het latere voordeel van grote steden elkaar ophieven toen onderzoekers naar de gehele pandemie keken als één enkel blok tijd. Dit verklaart waarom eerdere studies die alle gegevens bij elkaar optelden, zwakke of verwarrende resultaten vonden; ze middelden twee tegenovergestelde realiteiten tot één misleidend getal.
Deze omkering was geen artefact van ontbrekende gegevens of eenvoudige demografie. De onderzoekers corrigeerden voor vaccinatiegraden, die in latere golven zeer beschermend werkten, en ze corrigeerden ook voor leeftijd, aangezien oudere populaties een hoger risico lopen. Zelfs na deze correcties hield het patroon stand: grote steden werden aan het begin het hardst getroffen, en kleine dorpen leden later meer. De studie vond ook dat de geografische schaal van dit effect veranderde. In het begin was het hoge risico in grote steden een zeer lokaal fenomeen, geconcentreerd in enkele kustmetropolen. Naarmate het virus endemisch werd en zich landelijk verspreidde, breidde de invloed van de omvang van de county zich uit over het hele land, waarbij zowel rurale als urbane gebieden werden beïnvloed.
De onderzoekers testten ook of de relatie tussen lokale factoren en sterftecijfers varieerde over de ruimte, een concept dat bekend staat als ruimtelijke niet-stationariteit. Ze gebruikten geavanceerde statistische modellen om te zien of het effect van een specifieke factor, zoals armoede of luchtkwaliteit, anders was in één deel van het land dan in een ander deel. Ze ontdekten dat de meeste sociale en milieufactoren niet per locatie varieerden; hun invloed was consistent over het hele land. De enige zaken die werkelijk per plaats varieerden, waren het basisrisico op overlijden en het effect van de populatieomvang. Dit suggereert dat het idee van een "vaste kwetsbaarheidskaart", waarbij bepaalde soorten buurten altijd een hoger risico lopen, niet past bij de realiteit van de pandemie. In plaats daarvan was de geografie van het risico fluïde, gevormd door de timing van de aankomst van het virus en de veranderende schaal van de verspreiding.
Uiteindelijk betogen deze werken dat om plaatsgebonden gezondheidsrisico's te begrijpen, we zowel tijd als ruimte gelijktijdig in beeld moeten brengen. Een enkel momentopname of een cumulatief totaal kan een fenomeen dat zichzelf over drie jaar omdraait, niet volledig vatten. De pandemie onthulde geen statisch landschap van kwetsbaarheid; het onthulde een dynamisch landschap waarin de risico's die verbonden zijn aan het wonen in een grote stad of een klein dorp veranderden naarmate de crisis evolueerde. Door te erkennen dat deze relaties niet vaststaan, kunnen volksgezondheidsfunctionarissen toekomstige uitbraken beter anticiperen en begrijpen waar ze het hardst zullen toeslaan, waarbij ze verder gaan dan de zoektocht naar permanente oorzaken om de verschuivende aard van het risico zelf te begrijpen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.