بررسی مداخلات SARS-CoV-2 در دانشکده های مسکونی با استفاده از یک شبکه تجربی

اهداف

دانشگاه‌ها برای بررسی استراتژی‌های بازگشایی دانشگاه به مدل‌های SARS-CoV{1}} روی آورده‌اند. در حالی که این مطالعات تکنیک‌های مدل‌سازی مختلفی را مورد بررسی قرار داده‌اند، هیچ‌یک از داده‌های تجربی استفاده نکرده‌اند.

مواد و روش ها

در این مطالعه، ما از یک شبکه مجاورت تجربی از دانشجویان سال اول دانشگاه که با استفاده از بلوتوث تلفن هوشمند به دست آمده برای شبیه‌سازی شیوع ویروس استفاده می‌کنیم. ما نقش ایمن‌سازی، آزمایش، ایزوله‌سازی، پوشیدن ماسک، و فاصله‌گذاری اجتماعی را در حضور چالش‌های اجرایی و انطباق ناقص بررسی می‌کنیم.

نتایج

ما نشان می‌دهیم که اگر سطح ایمنی پایین باشد، آزمایش‌های مکرر می‌تواند به شدت شیوع ویروس را کاهش دهد، اما اگر ایمنی در همه جا بیشتر باشد، اثرات آن محدود می‌شود. علاوه بر این، سطوح متوسط ​​پوشیدن ماسک و فاصله گذاری اجتماعی می تواند منجر به کاهش بیشتر در بروز تجمعی شود، اما با افزایش ایمنی و دفعات آزمایش، فواید آنها به سرعت کاهش می یابد. با این حال، اگر ایمنی در برابر واکسیناسیون ناقص باشد یا با گذشت زمان کاهش یابد، سناریوهایی که در اینجا مورد مطالعه قرار نگرفته‌اند، آزمایش‌های مکرر و سایر مداخلات ممکن است نقش اصلی‌تری داشته باشند.

سطوح پایین ایمنی می تواند خطر ابتلا به بیماری های مختلف از جمله سرماخوردگی، آنفولانزا، سرطان، بیماری های قلبی عروقی، بیماری های خود ایمنی و غیره را افزایش دهد. افرادی که سیستم ایمنی ضعیفی دارند نیز بیشتر در معرض میکروب هایی مانند باکتری ها، ویروس ها و قارچ ها هستند. اگر مقاومت بدن به بیماری به میزان قابل توجهی کمتر باشد، فرد ممکن است علائمی مانند خستگی طولانی مدت و مداوم، کاهش وزن، ضعف عضلانی و استعداد ابتلا به عفونت را نیز تجربه کند. بنابراین معمولاً به بهبود ایمنی فردی توجه می کنیم. ما دریافتیم که Cistanche deserticola می تواند ایمنی را تقویت کند. خاکستر گوشت حاوی اجزای مختلف بیولوژیکی فعال مانند پلی ساکاریدها، دو قارچ، هوانگ لی و غیره است. این ترکیبات را می توان برای گوشت استفاده کرد سلول های مختلف سیستم ایمنی را تحریک کرده و فعالیت ایمنی آنها را افزایش می دهد.

روی مکمل cistanche deserticola کلیک کنید

نتیجه گیری

یافته‌های ما نشان می‌دهد که اگرچه آزمایش‌های منظم و ایزوله‌سازی ابزارهای قدرتمندی هستند، اما اگر ایمنی بالا باشد یا سایر مداخلات به طور گسترده مورد استفاده قرار گیرند، مزایای محدودی دارند. اگر دانشگاه ها بتوانند حتی به سطوح متوسطی از واکسیناسیون، ماسک زدن و فاصله گذاری اجتماعی برسند، ممکن است بتوانند تعداد دفعات آزمایش را به یک بار در هر چهار هفته کاهش دهند.

1. معرفی

وقتی SARS-CoV-2 در اوایل سال ۲۰۲۰ به یک بیماری همه‌گیر تبدیل شد، دانشگاه‌ها و کالج‌ها در سراسر جهان مجبور شدند به سرعت به سمت آموزش مجازی بروند. مدارس برای انطباق با شرایط عادی جدید تلاش کردند، دانش‌آموزان را به خانه فرستادند تا پردیس‌های مسکونی، و حتی کل شهرها برای جلوگیری از شیوع SARS-CoV قفل شدند-2. مطالعات نشان داده‌اند که تغییر سریع به آموزش مجازی، نابرابری‌های آموزشی و اجتماعی از قبل موجود را تشدید می‌کند، که منجر به از دست دادن یادگیری و ایجاد احساس بی‌انگیزی در دانش‌آموزان می‌شود (شین و هیکی، 2021). با ادامه همه گیری تا تابستان، دانشگاه ها با یک انتخاب دشوار مواجه شدند: بازگشایی پردیس ها با بازگشت برخی از آموزش های حضوری سنتی برای ارائه یک تجربه آموزشی غنی یا ادامه تدریس به طور کامل آنلاین برای محافظت از سلامت دانشجویان.

در پاییز 2020، مدیران کالج در سراسر جهان از شبیه‌سازی‌هایی استفاده کردند تا بفهمند چگونه پروتکل‌های بهداشت عمومی پیشرفته می‌توانند شیوع SARS-CoV-2 را در محوطه‌های خود کاهش دهند. این مطالعات تکنیک‌های پیشگیرانه مختلف را مورد بررسی قرار دادند و مفروضات مختلفی را در مورد انطباق با سیاست‌های پیشنهادی آن‌ها ارائه کردند (بروک و همکاران، 2020؛ چانگ و همکاران، 2020؛ کریستنسن و همکاران، 2020؛ البانا و همکاران، 2020؛ غفارزادگان و همکاران، 2020؛ گویال و همکاران، 2021؛ گرسمن و پک، 2020؛ لوپمن و همکاران، 2021؛ پالتیل و همکاران، 2020). با این حال، اگرچه تکنیک‌های مدل‌سازی مختلف، از مدل‌های اختلاط همگن محفظه‌ای گرفته تا شبکه‌های تماس گرفته تا مدل‌های مبتنی بر عامل، به کار گرفته شد، این مطالعات فقط از داده‌های شبیه‌سازی شده استفاده کردند.

کریستنسن و همکاران در بررسی مطالعات مدل‌سازی کووید{0}} در یک محیط دانشگاهی. از انجام تحقیقات بیشتر با استفاده از داده های اختلاط تجربی حمایت می کند (کریستنسن و همکاران، 2020). در اینجا ما این هزینه را بر عهده می گیریم و بررسی می کنیم که چگونه استفاده از یک شبکه تماس واقعی از دانشجویان در محوطه کالج، که با استفاده از داده های بلوتوث گوشی هوشمند مشخص شده است، درک ما را از نقش مداخلات مختلف در کاهش SARS-CoV تغییر می دهد-2. از آنجایی که کالج‌ها به دنبال بازگشایی در پاییز 2021 هستند، آنها باید در یک محیط به سرعت در حال تغییر حرکت کنند و با انواع قابل انتقال بیشتر و پوشش واکسن کمتر از حد انتظار مبارزه کنند. دانشگاه‌ها باید رویکرد مناسبی را برای جمعیت دانشجویی خاص خود شناسایی کنند، رویکردی که احتمالاً شامل تعامل پیچیده‌ای از مداخلات، از ایمن‌سازی گرفته تا آزمایش‌های تکراری و ایزوله‌سازی تا مداخلات غیردارویی، مانند پوشیدن ماسک و فاصله‌گذاری اجتماعی است.

این مطالعه به دنبال تجهیز دانشگاه ها به اطلاعات و ابزار لازم برای هدایت این فرآیند پیچیده تصمیم گیری است. در حالی که ما طیف وسیعی از سناریوها را در اینجا ارائه می‌کنیم، مطالعه ما به عنوان چارچوبی برای دانشگاه‌ها عمل می‌کند تا اثربخشی استراتژی‌های مداخله متفاوت را در محیط منحصر به فرد خود بررسی کنند. کد مستند ما، همراه با داده‌های در دسترس عموم استفاده شده برای این مطالعه، به دانشگاه‌ها اجازه می‌دهد مقادیر پارامترهای خود را برای بررسی سناریوهایی که در مطالعه ما در نظر گرفته نشده‌اند، مشخص کنند. مدیران و مقامات بهداشت عمومی به طور یکسان می‌توانند از چارچوب انعطاف‌پذیر ما برای کمک به ایجاد خط‌مشی‌های مبتنی بر شواهد که برای کاهش شیوع COVID{3}} در محوطه‌های دانشگاهی طراحی شده‌اند، استفاده کنند.

2. روش ها

2.1. شبکه مجاورت

ما از یک شبکه تعامل نزدیک از مطالعه شبکه های کپنهاگ (CNS) استفاده می کنیم که دانشجویان دانشگاه فنی دانمارک را ثبت نام کرده است. به طور خاص، ما به طور انحصاری بر روی داده های نزدیکی بلوتوث به دست آمده از 706 دانش آموز تمرکز می کنیم که در دسامبر 2019 در دسترس عموم قرار گرفت (Sapiezynski et al., 2019). تلفن‌های هوشمند قرضی برای شرکت‌کنندگانی که موافقت کردند از این دستگاه به عنوان تلفن اصلی خود در طول مدت مطالعه استفاده کنند، صادر شد. دستگاه‌ها به گونه‌ای پیکربندی شدند که همیشه بلوتوث قابل شناسایی باشند و هر پنج دقیقه دستگاه‌های اطراف را اسکن کنند، شناسه دستگاه، مهر زمانی و نشانگر قدرت سیگنال دریافتی (RSSI) را ضبط کنند، که تقریباً با فاصله فیزیکی مرتبط است. داده‌های نزدیکی بلوتوث به مدت 28 روز از فوریه 2014 در دسترس هستند. برای مدل‌سازی یک ترم دانشگاهی معمولی، ما چهار بار از طریق داده‌های CNS حلقه می‌زنیم، بنابراین در مجموع 16 هفته داده‌های تعامل را شبیه‌سازی می‌کنیم.

2.2. مدل اپیدمی

برای مدل‌سازی شیوع SARS-CoV{1}}، از یک مدل فردی تصادفی حساس-در معرض-عفونت-بازیابی شده (SEIR) گسسته، با حالت‌های جداگانه برای موارد علامت‌دار و بدون علامت استفاده می‌کنیم. هر روز، افراد به قسمت بعدی می روند یا به طور احتمالی در قسمت فعلی خود باقی می مانند. هر تعامل فرد به فرد به عنوان یک رویداد مستقل در نظر گرفته می شود، به طوری که احتمال قرار گرفتن در معرض به طور خطی با تعداد تعاملات با یک فرد عفونی افزایش می یابد. ما انتقال بدون علامت را مجاز می‌دانیم، زیرا یک دوره دو روزه بین عفونی شدن و شروع علائم و همچنین انتقال کاملاً بدون علامت برای موارد بدون علامت وجود دارد. مقادیر پارامتر در جدول 1 خلاصه شده است. ما سناریوهای انتقال کم، متوسط ​​و زیاد را بررسی می کنیم که تقریباً با مقادیر R{{{0}} 1.5، 3.0 و 4.5 مطابقت دارد. به ترتیب. ما طیف وسیعی از مقادیر را بررسی می کنیم زیرا برآوردهای R0 به طور گسترده در مطالعات و تنظیمات متفاوت است (Alimohamadi et al., 2020). مکمل و شکل 5 جزئیات بیشتری از مدل انتقال SARS-CoV{21}} ما را نشان می‌دهد.

علاوه بر عفونت از طریق شبکه تماس، ما به هر فردی اجازه می‌دهیم به دلیل قرار گرفتن در معرض خارج (مثلاً در جامعه وسیع‌تر)، بدون توجه به تعاملات شبکه تماس، به عفونت مبتلا شود. ما سطوح بالا و پایین انتقال جامعه را بررسی می‌کنیم تا تأثیر شیوع جامعه و سطوح مختلف ادغام بین دانشگاه و جامعه را بررسی کنیم. با توجه به پتانسیل گسترش مداوم جامعه در غیاب نرخ های بسیار بالای واکسیناسیون (COVID{0}} سناریو مدلینگ هاب، 2021) و افزایش قابلیت انتقال انواع جدید (دیویس و همکاران، 2021)، ما بر روی یک تنظیم تمرکز می کنیم. با سطوح بالاتر انتقال جامعه. نتایج به‌دست‌آمده برای سناریوی انتقال جامعه بالا در زیر ارائه شده است و نتایج برای سناریوی انتقال جامعه کم ما در ضمیمه آورده شده است.

2.3. مصونیت اولیه

در حالی که بسیاری از کشورها واکسن‌های ضد SARSCoV-2 را تأیید کرده‌اند و عجله دارند تا آن‌ها را در اختیار ساکنان خود قرار دهند، شورای روابط خارجی تخمین می‌زند که سال‌ها طول می‌کشد تا اکثریت جمعیت جهان در برابر این ویروس واکسینه شوند (Felter) ، 2021). به این ترتیب، ما طیف گسترده ای از سناریوهای ایمن سازی را بررسی می کنیم، از عدم ایمن سازی تا 80 درصد از جمعیت دانش آموزی که به دلیل عفونت قبلی یا واکسیناسیون واکسینه شده اند. برای سادگی، ما مصونیت کامل را در مدل خود فرض می کنیم.

2.4. آزمایش و جداسازی

ما آزمایش علامتی و آزمایش برنامه ریزی شده را در شبیه سازی های خود در نظر می گیریم و فرض می کنیم که هر دو از طریق واکنش زنجیره ای پلیمراز (PCR) انجام شده اند. آزمایش علامتی زمانی اتفاق می‌افتد که دانش‌آموز پس از مشاهده علائم به دنبال آزمایش باشد. برای در نظر گرفتن افرادی که ممکن است علائم آنفولانزای غیر مرتبط با کووید را تجربه کنند، کسری از افراد غیر عفونی نیز هر روز برای آزمایش علامتی مراجعه می کنند. تحت آزمایش‌های برنامه‌ریزی‌شده، همه اعضای جمعیت به‌طور منظم مورد آزمایش قرار می‌گیرند تا موارد دیگری را شناسایی کنند که در غیر این صورت شناسایی نمی‌شوند. افراد در فواصل زمانی منظم مورد آزمایش قرار می‌گیرند، بنابراین زمان بین آزمون‌ها برای هر دانش‌آموز ثابت است، اگرچه بخش کوچکی از جامعه هر روز ناسازگار هستند. هر دو نوع تست دارای حساسیت وابسته به زمان هستند. حساسیت تست SARS-CoV{7}} به شدت با بار ویروسی مرتبط است که در طول عفونت متفاوت است.

برای توضیح این موضوع، از حساسیت آزمون تجربی به دست آمده از داده‌های سواب نازوفارنکس توسط Wikramaratna و همکاران استفاده می‌کنیم. (ویکراماراتنا و همکاران، 2020). از آنجایی که مدل آن‌ها فقط زمان بعد از شروع علائم را شامل می‌شود، ما حساسیت تست قبل از علامت را در نظر می‌گیریم، حساسیت پس از علامت را منعکس می‌کنیم، به طوری که حساسیت دو روز قبل از شروع علائم، با حساسیت دو روز پس از شروع علائم یکسان است. این با ادبیات نشان می دهد که بار ویروسی در شروع علائم به اوج می رسد، با بارهای مشابه قبل و بعد از شروع علائم (جوهانسون و همکاران، 2021). جزئیات بیشتر در مکمل و شکل 6 ارائه شده است. پس از مثبت شدن آزمایش، افراد در انزوا قرار می گیرند. برای هر مجموعه ای از مقادیر پارامتر، فرکانس های آزمایش برنامه ریزی شده سه، هفت، 14 و 28 روزه و همچنین هیچ آزمایش برنامه ریزی شده را بررسی می کنیم.

2.5. پوشیدن ماسک و فاصله گذاری اجتماعی

ما همچنین محیطی را در نظر می گیریم که در آن رفتار دانش آموز به نرخ های انتقال خاص منجر می شود. ما نسبتی از جمعیتی را مشخص می‌کنیم که از ماسک استفاده می‌کنند و به‌طور تصادفی زیرمجموعه‌ای از جمعیت را به رعایت فاصله‌گذاری اجتماعی اختصاص می‌دهیم. هر دو مداخله به عنوان کاهش در نرخ انتقال اجرا می شوند و این کاهش ها خطی فرض می شوند. از آنجایی که هموفیلی، تمایل افراد به معاشرت با دیگرانی که تصور می کنند شبیه خودشان هستند معمولاً در شبکه های اجتماعی وجود دارد (مک فرسون و همکاران، 2001)، ما فرض کردیم که گروه های دوستان ممکن است نظرات مشابهی در مورد کووید داشته باشند-19 و تلاش های مربوط به کاهش. بنابراین، ما هر دو تکالیف خوشه‌ای و غیرخوشه‌ای پوشیدن ماسک را در سراسر شبکه در نظر می‌گیریم، سناریویی که نمی‌توان آن را با مدل‌های اپیدمیولوژیک استاندارد مطالعه کرد. برای ایجاد خوشه‌هایی از کاربران ماسک، یک شبکه تماس وزنی برای کل دوره مطالعه ایجاد می‌کنیم و مجموعه‌ای از ماسک‌گذاران اولیه را به‌طور یکنواخت و به‌طور تصادفی انتخاب می‌کنیم. سپس ماسک زدن را به مخاطبین آنها "گسترش" می کنیم، جایی که همسایگان با تعاملات بیشتر احتمال بیشتری برای استفاده از پوشش صورت دارند. این فرآیند تا رسیدن به نسبت مورد نظر ماسک‌پوشان تکرار می‌شود. جزئیات بیشتر در اطلاعات تکمیلی ارائه شده است.

3. نتایج

پس از حذف دستگاه‌های غیرشرکت‌کننده و اسکن‌های خالی از داده‌های بلوتوث، 2,426,279 پینگ بلوتوث (44.3 درصد از کل پینگ‌ها) و 692 کاربر (98.{8}} درصد از کل کاربران) باقی ماندند که نشان می‌دهد 14 کاربر هیچ رویداد مجاورتی نداشتند. شامل سایر شرکت کنندگان در مطالعه است. شبکه های مجاورتی برای هر یک از 28 روز در نظر گرفته شده در این مطالعه در شکل 3 در مکمل نشان داده شده است. شبکه‌ها در روزهای هفته که دانشجویان احتمالاً در محوطه دانشگاه فعال بودند و در کلاس‌ها شرکت می‌کردند، یک مؤلفه متصل بزرگ دارند. همانطور که در ستون های اول و آخر در شکل 3 نشان داده شده است، در آخر هفته ها، شبکه ها به طور ضعیف تری به هم متصل بودند و کاربران کمتری با سایر شرکت کنندگان در مطالعه تعامل داشتند.

نرخ بروز سناریوی انتقال متوسط ​​ما (R{0}} ≈ 3.{0) با سطوح مختلف جمعیت از ابتدا مصونیت دارد در شکل 1 نشان داده شده است. صرف نظر از سطح ایمن سازی، افزایش می یابد. فرکانس آزمایش تعداد عفونت‌های مشاهده‌شده در طول ترم را کاهش داد، اگرچه اگر 60 - 80 درصد جمعیت مصون بودند، تأثیر نسبتاً کم بود. بدون ایمن سازی، آزمایش هر سه روز یک بار منجر به ابتلای 42.7 درصد از دانش آموزان در پایان ترم شد، در حالی که آزمایش هر 7، 14 و 28 روز منجر به ابتلای 47.5 درصد، 56.2 درصد و 61.6 درصد از دانش آموزان شد. به ترتیب (بدون آزمایش برنامه ریزی شده: 66.1 درصد). با این حال، با واکسینه شدن 80 درصد، انجام آزمایش هر سه روز یکبار منجر به آلوده شدن 12.3 درصد از دانش‌آموزان در پایان ترم تحصیلی می‌شود، بدون آزمون برنامه‌ریزی‌شده، به‌طور میانگین 15.8 درصد از دانش‌آموزان مبتلا به این بیماری هستند. بنابراین، در حالی که افزایش آزمایش و جداسازی متعاقب آن بر تعداد عفونت‌ها برای یک سطح ایمن‌سازی معین تأثیر می‌گذاشت، در نهایت افزایش ایمنی جمعیت منجر به کاهش متناسب یا بیشتر در بروز شد. بروز سناریوهای انتقال کم (R0 ≈ 1.5) و بالا (R0 ≈ 4.5) در مکمل نشان داده شده است (شکل های 9 و 10 را ببینید).

بدون ایمن سازی، میانگین زمان مورد نیاز برای آلوده کردن 10 درصد از دانش آموزان 24 روز بدون هیچ آزمایش یا انزوا بود، در حالی که آزمایش فقط هر چهار هفته یک بار این زمان را به 25 روز افزایش داد و آزمایش دو بار در هفته منجر به 10 درصد از دانش آموزان شد. به طور متوسط ​​در روز 30 آلوده شده است (شکل 1). با این حال، زمانی که 20 درصد از جمعیت مصون بودند، آزمایش هر سه روز یکبار می‌تواند این دوره را 11 روز افزایش دهد و با مصونیت 40 درصدی جمعیت، آزمایش‌های مکرر می‌تواند عفونت‌ها را حتی بیشتر گسترش دهد و در نتیجه به دانشگاه‌ها دو هفته دیگر فرصت می‌دهد. این یافته‌ها نشان می‌دهد که وقتی با آزمایش‌های منظم ترکیب می‌شود، حتی سطوح متوسط ​​​​ایمنی می‌تواند به دانشگاه‌ها کمک کند تا منحنی را صاف کنند و در نهایت باعث صرفه‌جویی در منابع و کاهش هزینه‌های تلاش‌های کاهش شود.

تعداد تست های مثبت و تعداد افراد جدا شده به ترتیب در شکل 7 و 8 نشان داده شده است. این معیارها به دانشگاه‌ها اجازه می‌دهد تا منابع مورد نیاز برای کاهش شیوع کووید-19 در میان جمعیت دانشجویی خود را از نظر منابع صرف شده برای مداخلات و هزینه‌های فرصت از دست رفته تخمین بزنند. به عنوان مثال، تعداد دانش‌آموزانی که در طول ترم جدا شده‌اند نیز با تعداد روزهای از دست رفته در مدرسه مطابقت دارد و به دانشگاه‌ها این امکان را می‌دهد که هم منابع مورد نیاز برای قرنطینه دانشجویان و هم فرصت‌های آموزشی از دست رفته مرتبط با قرنطینه را تعیین کنند. جزئیات بیشتر در ضمیمه ارائه شده است.\

نتایج به‌دست‌آمده برای سناریوهای ماسک زدن و فاصله‌گذاری اجتماعی تحت انتقال متوسط ​​(R0 ≈ 3.0) در شکل 2 ارائه شده است، که میانگین درصد جمعیت دانش‌آموزی آلوده را در پایان نشان می‌دهد. از ترم آزمایش در کاهش بروز تجمعی در سطوح پایین ایمنی و سطوح کم تا متوسط ​​پوشیدن ماسک و فاصله گذاری اجتماعی مؤثرتر بود. هنگامی که پوشیدن ماسک و فاصله گذاری اجتماعی همه جا وجود داشت، آزمایش های مکرر فقط کاهش اندکی در بروز تجمعی ارائه می کرد زیرا ویروس قبلاً به خوبی کنترل شده بود. به طور مشابه، ایمنی اولیه حتی در بخش کوچکی از جمعیت، تأثیر آزمایش‌های منظم را کاهش داد. بدون مصونیت، زمانی که استفاده از ماسک و فاصله گذاری اجتماعی زیر 60 درصد بود، آزمایش هر سه روز یک بار به مزایای قابل توجهی منجر شد. با این حال، با مصونیت 20 درصد و 40 درصد، آزمایش هر سه روز یک بار فقط زمانی که استفاده از ماسک و فاصله گذاری اجتماعی به ترتیب زیر 40 درصد و 30 درصد بود، مزایای قابل توجهی را به همراه داشت. تا حدودی تعجب آور است که کاهش اندک یا بدون کاهش در اثربخشی زمانی که پوشیدن ماسک در شبکه تماس خوشه‌بندی می‌شد، شاید به دلیل ماهیت بسیار متصل شبکه بود (شکل 11 را ببینید). اگر دانشگاه‌ها بتوانند حتی به سطوح متوسطی از مصونیت، پوشیدن ماسک و/یا فاصله‌گذاری اجتماعی دست یابند، شبیه‌سازی‌های ما نشان می‌دهد که آنها ممکن است بتوانند با تعداد کم یا بدون تغییر در بروز تجمعی آزمایش‌های کمتری انجام دهند.

برای مقایسه اثربخشی آزمایش و ایزوله‌سازی، پوشیدن ماسک، فاصله‌گذاری اجتماعی و مصونیت، یک تحلیل رگرسیونی بر اساس بروز تجمعی در تمام شبیه‌سازی‌های انتقال متوسط ​​خود انجام دادیم (R0 ≈ 3.{{3}). }). بروز تجمعی 3.95 یا 0.57 به ازای هر 100 دانش آموز به ازای هر یک هفته افزایش دفعات آزمایش کاهش یافت. هر 10 درصد افزایش در نسبت جمعیتی که با فاصله گذاری اجتماعی مطابقت دارند، میزان بروز تجمعی را 4.47 یا 0.65 در هر 100 دانش آموز کاهش می دهد. به همین ترتیب، هر 10 درصد افزایش در نسبت پوشیدن ماسک باعث کاهش 5.76 یا 0.83 در هر 100 دانش آموز شد. در نهایت، هر 10 درصد افزایش در نسبت با ایمنی، بروز تجمعی را 08/17 یا 47/2 در هر 100 دانش‌آموز کاهش داد. بنابراین، اگرچه ممکن است اجرای آزمایش برای کالج‌ها ساده باشد، اما نسبت به پوشیدن ماسک و فاصله‌گذاری اجتماعی، کاهش بسیار کمتری در موارد ایجاد می‌کند. همانطور که انتظار می رفت، افزایش ایمنی جمعیت منجر به بیشترین کاهش در بروز تجمعی شد.

4. بحث

در حالی که سال گذشته به ما نوید واکسن‌های مؤثر و بینش بیشتری نسبت به پویایی SARS-CoV-2 داد، مدارس هنوز با آینده‌ای مبهم روبرو هستند. با گسترش ناهموار واکسن در برخی مناطق جهان و فشارهای مالی به دلیل کاهش ثبت نام، بسیاری از کالج ها متعجبند که چگونه می توانند به نوعی به حالت عادی برگردند و چه اقداماتی می توانند برای تسریع این روند انجام دهند (St. Amour, 2020). اهداف توسعه پایدار 2015 سازمان ملل متحد تضمین زندگی سالم و آموزش با کیفیت فراگیر و عادلانه است (سازمان ملل متحد، 2015). برای ادامه پیشروی به سمت این اهداف، مهم است که تعیین کنیم چگونه مدارس می‌توانند با خیال راحت بازگشایی شوند و در نتیجه به آنها اجازه می‌دهیم آموزش باکیفیت ارائه دهند و در عین حال رفاه را ارتقا دهند.

در این مطالعه، ما تلاش کردیم تا با بررسی اثربخشی آزمایش‌های برنامه‌ریزی‌شده (یعنی غربالگری) در جمعیت دانشگاه‌های مسکونی در ارتباط با سطوح مختلف ایمن‌سازی، به دانشگاه‌ها کمک کنیم تا چالش‌های بازگشایی را بررسی کنند. ما دریافتیم که در حالی که آزمایش باید بخشی جدایی ناپذیر از استراتژی کاهش هر دانشگاه باشد، سطوح متوسط ​​مصونیت، پوشیدن ماسک و فاصله گذاری اجتماعی می تواند به دانشگاه ها اجازه دهد تا آزمایش کمتری داشته باشند. به این ترتیب، اگر کالج ها بتوانند به نرخ بالای واکسیناسیون دست یابند، ممکن است بتوانند آزمایش را تنها یک یا دو بار در ماه کاهش دهند و در منابع ارزشمند صرفه جویی کنند. در حالی که تمرکز ما بر محیط دانشگاه است، روش‌ها و نتایج ما می‌تواند در سایر محیط‌های مسکونی نیز اعمال شود

برخلاف مطالعات قبلی، ما از یک شبکه تماس در دنیای واقعی به‌عنوان پایه‌ای برای شبیه‌سازی‌های خود استفاده کردیم، که به ما امکان می‌دهد رفتار اجتماعی ناهمگون دانش‌آموزان را به تصویر بکشیم، که بدون شک نحوه انتشار ویروس را تغییر می‌دهد. علاوه بر این، بسیاری از مطالعات قبلی در این زمینه تنها تعداد کمی از موانع اجرا و مسائل مربوط به انطباق را به خود اختصاص دادند. ما برای عفونت‌های خارجی، نرخ پس‌زمینه بیماری‌های شبه آنفولانزا، حساسیت آزمون وابسته به زمان، و تأخیر در نتایج آزمایش، و همچنین عدم انطباق دانش‌آموز در طول فرآیند آزمایش و جداسازی، مجاز بودیم.

داده‌های نزدیکی که ما استفاده کردیم، مدت‌ها قبل از همه‌گیری جمع‌آوری شد، زمانی که دانش‌آموزان تعامل خود را با دیگران محدود نکردند. بنابراین، داده های ما نشان دهنده بدترین سناریویی است که در آن دانش آموزان ارتباط خود را با دیگران کاهش نمی دهند. با این حال، وقتی دانش‌آموزان ارتباط خود را با دیگران کاهش می‌دهند، به طور مؤثر نوعی فاصله‌گذاری اجتماعی را تمرین می‌کنند. بنابراین، این الگوهای تماس قبل از همه‌گیری برای بررسی اثرات مداخلات فاصله‌گذاری اجتماعی، هدف این مطالعه ضروری بود.

در حالی که واکسن‌ها ایمنی کاملی ایجاد نمی‌کنند، واکسن‌های mRNA که در حال حاضر مورد استفاده قرار می‌گیرند در کاهش عفونت‌ها و ظاهراً در کاهش انتقال در بین افرادی که آلوده می‌شوند، بسیار مؤثر هستند (هاس و همکاران، 2021). اگرچه ما در شبیه‌سازی‌های خود ایمنی کامل را در نظر گرفتیم، سطوح ایمنی جمعیت ما را می‌توان به سطوح ایمنی موثر ترسیم کرد تا مصونیت ناقص و عفونت‌های پیشرو در نتیجه را در نظر بگیرد.

در حالی که مدل ما بسیاری از چالش‌هایی را که انتظار داریم دانشگاه‌ها در محوطه دانشگاه با آن‌ها مواجه شوند را شامل می‌شود، ما به‌صراحت ردیابی تماس را مدل نکردیم. اگرچه ردیابی تماس می‌تواند ابزار مؤثری باشد که به طور مناسب اجرا شود (Cencetti et al., 2021; Ferretti et al., 2020)، این اغلب یک کار منابع فشرده است، کاری که نیاز به دسترسی به اطلاعات در مورد تماس‌های اجتماعی دارد، دانشجویان ممکن است دسترسی داشته باشند. در دادن مردد باشید ما همچنین تعداد پیامدهای نامطلوب مورد انتظار برای رخ دادن را تخمین زدیم، اگرچه در صورت انجام فرضیات اضافی، مرگ و میر و بستری شدن در بیمارستان را می‌توان بر اساس نتایج ما تخمین زد. در نهایت، ما هیچ گونه تغییر فصلی را در انتقال SARS-CoV وارد نکردیم، اگرچه تحقیقات جدید نشان می دهد که در آب و هوای معتدل، انتقال در فصل زمستان که مدارس در حال برگزاری هستند به طور قابل توجهی بیشتر از تابستان است (Gavenciak ˇ et همکاران، 2021). بنابراین، دانشگاه ها باید شرایط آب و هوایی خاص خود را در هنگام بررسی بار بیماری که ممکن است با آن مواجه شوند، در نظر بگیرند.

در حالی که این کار بینش جدیدی در مورد اینکه چگونه ایمن‌سازی، تکرار آزمایش، جداسازی و سایر استراتژی‌ها می‌توانند شیوع SARS-CoV-2 را در محوطه‌های دانشگاهی کاهش دهند، ارائه می‌کند، مهم است که توجه داشته باشیم که هیچ‌گونه یک اندازه مناسب وجود ندارد. همه رویکردها (برادلی و همکاران، 2020).

موفق ترین مدارس رویکرد خود را با شرایط خاص خود تنظیم می کنند و با تغییر شرایط سازگار می شوند. در واقع، سودمندترین استراتژی ممکن است یک رویکرد چابک باشد، رویکردی که در آن فرکانس آزمایش بر اساس دینامیک انتقال فعلی تنظیم می شود، رویکردی که هنوز به طور دقیق مورد مطالعه قرار نگرفته است.

منابع مالی

این مطالعه توسط یک بورسیه تحصیلی بخش آمار زیستی دانشگاه هاروارد و یک بورس تحصیلی دولت ایالات متحده (به HH) پشتیبانی شد. بودجه اضافی توسط مراکز کنترل و پیشگیری از بیماری (اعطای ذهنیت: U01 CK000585 به RK) و مؤسسه ملی بهداشت (NIAID R01 جایزه AI138901 به JPO) ارائه شد. منابع مالی هیچ نقشی در طراحی مطالعه، تجزیه و تحلیل داده ها، تفسیر داده ها یا نوشتن گزارش نداشتند.

تایید اخلاقی

مجوز اخلاقی پزشکی جداگانه اجباری نیست.

به اشتراک گذاری داده ها

داده‌های شبکه مجاورت از مطالعه شبکه کپنهاگ در حوزه عمومی است (https://doi.org/10.6084/m9.figshare. 7267433). تمامی مدل ها و کدهای این پروژه که در نسخه 3.7 زبان برنامه نویسی پایتون نوشته شده است از طریق GitHub (https://github.com/onnela-lab/covid-campus) در دسترس هستند.

مشارکت کنندگان

HH و JPO به تمام داده های مطالعه دسترسی کامل داشتند. JPO این مطالعه را مفهوم‌سازی و نظارت کرد. HH، RK، و JPO به روش شناسی، بررسی و تجسم کمک کردند. HH نسخه خطی را با بازبینی انتقادی توسط RK و JPO تهیه کرد. همه نویسندگان نسخه نهایی را خوانده و تایید کرده اند.

اعلامیه منافع رقابتی

نویسندگان اعلام می کنند که هیچ منافع مالی رقیب یا روابط شخصی شناخته شده ای ندارند که به نظر می رسد بر کار گزارش شده در این مقاله تأثیر بگذارد.

قدردانی

ما از مارک لیپسیچ برای بازخوردش در مورد این پروژه تشکر می کنیم. ما همچنین از Giang T. Nguyen و Max Wang برای خواندن انتقادی آنها از نسخه خطی تشکر می کنیم.

مواد تکمیلی

مطالب تکمیلی مرتبط با این مقاله را می‌توانید در نسخه آنلاین در doi:10.1016/j.ijid.2021.10.008 بیابید.

For more information:1950477648nn@gmail.com