新的研究使用新的統計數據來瞭解為什麼義大利的一些地區在大流行病的第一波中受到的打擊比其他地區嚴重。 根據新的研究，呆在家裡和限制當地旅行，支持獲得初級保健，以及限制在傳染中心–包括醫院、學校和工作場所–的接觸，這些策略可能有助於減少與COVID-19有關的死亡。

由賓夕法尼亞州立大學、義大利比薩的聖安娜高級研究學院和加拿大魁北克的拉瓦爾大學的統計學家組成的研究小組使用了新的統計方法來比較義大利20個地區的第一波疫情，並確定導致死亡的因素。

該研究小組的負責人Francesca Chiaromonte說：”COVID-19疫情的第一波在不同地區採取了非常不同的路徑，一些地區受到的打擊特別大，而其他地區的情況要好得多，”他是賓夕法尼亞州立大學生命科學統計學教授和Lloyd and Dorothy Foehr Huck主席，以及聖安娜學校EMbeDS優秀部門的科學協調員。 “我們想了解為什麼一些地區受到的打擊比其他地區嚴重得多，所以我們在一個被稱為功能數據分析的統計學領域使用了經過審查和新開發的技術來比較義大利不同地區第一波疫情的進展情況”。

該研究沒有專注於預測流行病軌跡的模型，而是使用功能數據分析技術從死亡率曲線隨時間變化的形狀中收集資訊，為從數據中捕捉關聯和模式提供了一種敏感的方式。 研究人員比較了義大利20個地區在疫情第一波期間的死亡率曲線。 在對這些曲線進行聚類和排列后，為了描述它們的形狀並說明在不同日期開始的爆發，研究人員可以評估可能導致其差異的因素。 他們的結果發表在8月30日的《科學報告》雜誌上。

研究人員發現，當地的流動性–人們在當地的移動程度–與COVID的死亡率密切相關。 具體來說，他們使用了來自Google”雜貨店和藥店”類別的數據，這反映了與獲取食物和藥品等必需品有關的流動性。 在2020年3月開始的全國封鎖期間，義大利的這些流動性水準急劇下降，僅在封鎖的第一周就大約下降了30%，然後在3月和4月的工作日進一步下降多達60%，在週末幾乎是100%。

Chiaromonte說：”在疫情的早期，有很多關於流動限制是否真的有效的問題;我們的結果增加了越來越多的證據，證明它們確實有效。 我們看到的效果是滯後的，但是當人們減少他們的流動性時，我們看到與COVID相關的死亡人數減少了。 而且我們不是唯一記錄這一點的人，所以當我們被告知留在家裡作為緩解措施時，我們應該留在家裡！ “

根據該研究，COVID-19檢測的陽性率和死亡率也相互關聯，有一定的滯後性，再次證實陽性率是一個可以納入疾病模型的有用措施。

研究小組還逐一調查了幾個人口、社會經濟、基礎設施和環境因素，看看它們是否能進一步解釋死亡率的模式。 這些因素包括65歲以上人口的百分比，糖尿病和過敏症等原有疾病的流行率，初級保健和ICU床位的可及性，以及可能增加接觸率的因素，如醫院或療養院的床位數和每個教室的學生人數。

Chiaromonte說：「根據我們的統計技術所捕捉到的關聯，降低死亡率的因素可能不是擁有大量ICU床位的大醫院，而是擁有良好的初級保健醫生的機會。 事實上，擁有大醫院可能適得其反，因為它們充當了傳染中心。 每個醫院有更多的床位，每個療養院有更多的床位，每個教室有更多的學生，每個公司有更多的員工，這些地方的流行病是最強的。 “

隨著更多的研究證實這些趨勢，這些結果可以為決策提供參考，例如鼓勵短期和中期投資，以促進分散式初級保健，並限制傳染中心的接觸。 學校和工作地點可以鼓勵學生和雇員只看有限的一群人，而醫院可以劃分區域以減少接觸。

“重要的是，即使在我們的統計分析中控制了這些因素，流動性仍然是一個非常強大的死亡率滯後預測因素，”Chiaromonte說。 “而且即使考慮到流動性、陽性率和我們考慮的其他因素，我們仍然不能完全解釋為什麼與該國其他地區相比，倫巴第這個包括米蘭在內的北方工業化地區的疫情要強烈得多。 相對於我們的模型所能解釋的，他們仍然是一個異類。 增加獲得準確、及時和高地理解析度數據的機會，可能使我們和其他研究人員能夠驗證結果，並提高我們解釋最極端軌跡的能力–例如在COVID-19的第一波期間在倫巴第觀察到的軌跡”。

有限的數據可用性和準確性給這項研究帶來了幾個挑戰。 例如，官方死亡人數反映了疫情早期的嚴重漏報，因此研究小組還整合了關於差異性死亡率的資訊–與前五年的平均死亡率相比，2020年的總體死亡人數存在差異。 然而，更準確的死亡資訊以及病例和住院資訊，在更精細的地理範圍內，並可能按性別、年齡、先前存在的條件和其他特徵進行劃分，將使研究小組能夠改進他們的模型。 此外，人口、社會經濟、基礎設施和環境數據經常以粗略的地理尺度報告，而且往往是多年前的數據。

Chiaromonte說：「自大流行病開始以來，已經取得了一些進展，但我們希望今後政府機構、統計局和其他團體將真正優先考慮數據收集、整合和提供給合格的研究人員，我們早期所有的模糊性和問題，以及在某些情況下仍然存在的模糊性和問題，如傳染在哪裡發生，病毒是否在餐館、健身房或公共交通工具上傳播， 或者某些緩解措施是否有效–我們可以用良好的數據更有效地回答這些問題。 我們已經在努力利用這一進展–例如，Google已經以更精細的地理解析度提供了他們的流動性措施，我們正在使用它們來分析義大利的COVID-19疫情的第二波。 但是，我們怎麼強調都不為過的是，獲得關於該流行病以及可能導致其惡化或減輕的許多變數的準確、精細和最新資訊是多麼重要。 “