Application of GIS and spatiotemporal analyses in viral infection modelling using multiple datasets – A case study on the SARS-CoV-2 epidemic

Abstract

Introduction/objective

Viral and infectious diseases such as COVID-19 continue to pose a significant public health threat. In order to create an early warning system for new pandemics or emerging versions of the virus, it is imperative to study its epidemiology. In this study, we created a geospatial model to predict the weekly contagion and lethality rates of COVID-19 in Ireland.

Methods

More than forty parameters including atmospheric pollutants, metrological variables, sociodemographic factors, and lockdown phases were introduced as input variables to the model. The significant parameters in predicting the number of new cases and the death toll were identified. QGIS software was employed to process input data, and a principal component regression (PCR) model was developed using the statistical add-on XLSTAT.

Results and conclusions

The developed models were able to predict more than half of the variations in contagion and lethality rates. This indicates that the proposed model can serve to help prediction systems for the identification of future high-risk conditions. Nevertheless, there are additional parameters that could be included in future models, such as the number of deaths in care homes, the percentage of contagion and mortality among health workers, and the degree of compliance with social distancing.

Resumen

Introducción y objetivo

Las enfermedades virales e infecciosas como la COVID-19 continúan representando una importante amenaza para la salud pública. Para crear un sistema de alerta temprana para nuevas pandemias o versiones emergentes del virus es imperativo estudiar su epidemiología. En este estudio creamos un modelo geoespacial para predecir las tasas semanales de contagio y de letalidad de la COVID-19 en Irlanda.

Métodos

Se introdujeron más de cuarenta parámetros, incluidos contaminantes atmosféricos, variables meteorológicas, factores sociodemográficos y fases de confinamiento, como variables de entrada al modelo. Se identificaron los parámetros significativos para predecir el número de casos nuevos y el número de muertes. Se empleó el software QGIS para procesar los datos de entrada y se desarrolló un modelo de regresión de componentes principales (PCR) utilizando el complemento estadístico XLSTAT.

Resultados y conclusiones

Los modelos desarrollados fueron capaces de predecir más de la mitad de las variaciones en las tasas de contagio y de letalidad. Esto indica que el modelo propuesto puede servir para ayudar a los sistemas de predicción en la identificación de condiciones futuras de alto riesgo. No obstante, existen parámetros adicionales que podrían incluirse en futuros modelos, como el número de muertes en residencias, el porcentaje de contagio y de mortalidad entre el personal sanitario y el grado de compatibilidad con la distancia social.