severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). COVID-19 is a pandemic with an estimated death rate between 1% and 5%; and an estimated R 0 between 2.2 and 6.7 according to various sources. As of March 28th, 2020, there were over 649,000 confirmed cases and 30,249 total deaths, globally. In the United States, there were over 115,500 cases and 1891 deaths and this number is likely to increase rapidly. It is critical to detect clusters of COVID-19 to better allocate resources and improve decision-making as the outbreaks continue to grow. Using daily case data at the county level provided by Johns Hopkins University, we conducted a prospective spatial-temporal analysis with SaTScan. We detect statistically significant space-time clusters of COVID-19 at the county level in the U.S. between January 22nd-March 9th, 2020, and January 22nd-March 27th, 2020. The space-time prospective scan statistic detected "active" and emerging clusters that are present at the end of our study periodsnotably, 18 more clusters were detected when adding the updated case data. These timely results can inform public health officials and decision makers about where to improve the allocation of resources, testing sites; also, where to implement stricter quarantines and travel bans. As

No abstract

No abstract

La cartographie de la prévalence et de la propagation des maladies infectieuses n’a jamais été plus cruciale que dans le contexte de la pandémie de COVID-19. Une pléthore de tableaux de bord de SIG en ligne incorporant la fonctionnalité SIG de base ont été créés ; ces tableaux de bord ont servi de plateforme pour le partage rapide de données et la communication d’information en temps réel, facilitant somme toute la prise de décisions. Toutefois, bon nombre de ces tableaux ont été axés uniquement sur la présentation et le contrôle de l’incidence cumulative ou quotidienne des données sur la COVID-19, sans égard à la dimension temporelle. Les auteurs se penchent sur l’utilité des tableaux de bord basés sur les SIG pour cartographier la prévalence de la COVID-19, mais également sur les occasions manquées de mettre l’accent sur le composant temporel de la maladie (cyclicité, saisonnalité). Ils évoquent la possibilité d’un recours aux techniques avancées de géovisualisation pour intégrer le composant temporel aux cartes animées interactives illustrant a) le risque relatif quotidien et le nombre de jours pendant lesquels une zone géographique a été un foyer de contagion, b) le ratio du nombre de cas observés par rapport au nombre de cas prévus dans le temps et c) la dynamique du nombre des décès dans un cube espace-temps. Les auteurs illustrent ces méthodes au moyen des cas de COVID-19 et du nombre des décès aux États-Unis, à l’échelon des comtés, entre le 25 janvier et le 1er octobre 2020. Ils expliquent comment chacune de ces méthodes de visualisation peut faciliter la compréhension d’importants concepts de santé publique appliqués à la pandémie comme le risque, la propagation et le taux de mortalité. Enfin, les auteurs proposent des pistes à envisager pour promouvoir la recherche au carrefour de la visualisation spatiotemporelle et des maladies infectieuses.

ABSTRACT:Accelerated processing capabilities are deemed critical when conducting analysis on spatiotemporal datasets of increasing size, diversity and availability. High-performance parallel computing offers the capacity to solve computationally demanding problems in a limited timeframe, but likewise poses the challenge of preventing processing inefficiency due to workload imbalance between computing resources. Therefore, when designing new algorithms capable of implementing parallel strategies, careful spatiotemporal domain decomposition is necessary to account for heterogeneity in the data. In this study, we perform octtree-based adaptive decomposition of the spatiotemporal domain for parallel computation of space-time kernel density. In order to avoid edge effects near subdomain boundaries, we establish spatiotemporal buffers to include adjacent data-points that are within the spatial and temporal kernel bandwidths. Then, we quantify computational intensity of each subdomain to balance workloads among processors. We illustrate the benefits of our methodology using a space-time epidemiological dataset of Dengue fever, an infectious vector-borne disease that poses a severe threat to communities in tropical climates. Our parallel implementation of kernel density reaches substantial speedup compared to sequential processing, and achieves high levels of workload balance among processors due to great accuracy in quantifying computational intensity. Our approach is portable of other space-time analytical tests.

No abstract

No abstract

No abstract