Influence of Absolute Humidity, Temperature and Population Density on COVID-19 Spread and Decay Durations: Multi-Prefecture Study in Japan

www.mdpi.com/1660-4601/17/15/5354/htm

要旨

本研究では、COVID-19パンデミックの蔓延と減衰期間を都道府県別に分析した。パンデミック期間中は、日本では安価な医療が普及しており、医療体制が崩壊することもなかったため、都道府県間の正確な比較が可能であった。

1日の最大確認症例数が10例を超えた16県では，ほとんどの県で1日の最大確認症例数はベル型または対数正規分布を示した．また，散布期間と減衰期間の間には良好な相関関係が見られたが，一部の県では例外的な傾向が見られた。

しかし，海外からの旅行者が帰国した地域が感染源とされている地域では，一部例外も見られた．これらの県を除くと，人口密度が蔓延・減衰パターンに影響を与える主要な要因であることが示され，R2 = 0.39（p < 0.05），0.42（p < 0.05）と，社会的距離にほぼ対応していることが明らかになった。

最大絶対湿度は、人口密度で正規化した減衰期間に影響を与えることがわかった（R2 > 0.36、p < 0.05）。これらの結果は、最大絶対湿度、周囲温度、人口密度の多変量解析に基づいて推定されたパンデミック拡散期間（調整R2 = 0.53、p値<0.05）に基づいており、COVID-19の第二次発生を含む将来のパンデミック時の介入計画に有用であることを示している。

1. 序論

2019年の感染性コロナウイルス疾患（COVID-19）のアウトブレイクが世界的に報告されている[1,2]。これを受けて、COVID-19については、疾病予防、制御、診断、原因、疫学など、さまざまな側面から多くの研究が行われてきた[3]。

2020年4月7日、日本の47都道府県のうち7県に非常事態宣言が出された。この非常事態は4月16日に全国に拡大され、2020年5月25日に終了した。この非常事態の間、人々は自主的に自主避難し、政府が強制した都道府県（地区）の封鎖は実施されなかった。

多くのパンデミックモデル化アプローチが存在し[4]、COVID-19に関連する様々な側面を示すために様々な数理モデルが使用されてきたが、これにはシリアルインターバル[5]、中国での感染[6]、中国武漢[7]、イタリア[8]、スペイン[9]での事例研究が含まれている。また、各国間の比較も行われており[10]、政策立案におけるモデルの違いの重要性については[11]で議論されている。

イタリアにおけるCOVID-19の感染拡大については、確認された陽性例に対する環境要因の違いによる影響を評価するために、多変量解析研究が行われた[12]。全国的に感染率の高いイタリアの3つの地域を検討した。時系列分析では、各地域内で異なる要因が評価された。その結果、平均気温、湿度、風速などの環境要因と強い相関が認められた。

本研究では、これらの要因がCOVID-19の確認された症例とどのように相関しているかを取り上げているが、病気の広がりや腐敗の持続時間に対するそれらの影響については論じていない。しかし、各地域のローカルデータに基づいたパラメータフィッティングモデルを提供している。異なる都道府県でのパンデミック期間を推定できることは、ロックダウン政策の立案に役立つであろう。

しかし、COVID-19の持続期間と罹患率は、異なるco-factorが影響するため、比較するのは容易ではない。日本で実施されている簡便で費用対効果の高いPCR（ポリメラーゼ連鎖反応）検査は、その信頼性から検査数が限られていたため、精度の高い診断を得るために胸部CT検査が実施されていた[13]。

また、院内感染や医療資源の不足を避けるため、感染者と密接な接触がある場合や最近外国を訪れた場合を除き、症状のある人（例えば、連続4日以内に37.5℃以上の発熱が続くなど）は自宅で安静にし、直ちに受診しないことが提案されていた。無症状の患者も報告されている[14]ため、COVID-19の統計調査はより複雑なものとなっている。

確定死亡者数とCOVID-19陽性患者数の統計は、日本の各都道府県で日々更新されている。さらに、日本の医療制度は発生時に崩壊しておらず、健康保険制度ではCOVID-19の医療が無料で提供されている。しかし、コロナウイルス検査の陽性率は全国で2.2～34.8%（表1）となっており、地域別の罹患率を推定することは困難である。検査を実施する基準が各都道府県で同じであると仮定すると、パンデミック期間の推定は有用なパラメータとなる。

表1. COVID-19の1日最大症例数が10例を超えた19都道府県の人口、面積、人口密度データ。COVID-19の総症例数と陽性率の平均値も記載した。

表　COVID-19の罹患率に影響を及ぼす可能性のある環境コファクターとして、周囲温度、絶対湿度、大気汚染などが研究されてきた [15,16,17,18,19,20,21,22]。しかし、これらの研究も上記のモデル化研究も、集団密度と環境条件が拡散と減衰期間の両方に与える影響を考慮していない[23]。実際、持続時間については全く議論されていない。

疫学的伝播モデルにおける人口密度のスケーリングの必要性は、感染症一般においても示唆されている[24]が、これは伝播期間と減衰期間を特徴づける要因が異なる可能性があることを示している。

最近の研究では、ブラジルでは気温と相対湿度が罹患率に及ぼす影響が確認されており[22,25]、日本では罹患率・死亡率に及ぼす影響が確認されている[26]。

より広い範囲を対象とした研究には、世界的なデータ分析-COVID-19パンデミックの感染率および死亡率と気温および湿度がどのように相関しているかについての考察-がある[27,28]。

どちらの研究も、それぞれの研究地域および世界全体の罹患率と死亡率に焦点を当てているが、政策立案に不可欠なCOVID-19の持続期間に対する環境要因の影響についてはどちらも論じていない。

死亡率と罹患率に対するCOVID-19の影響はまだ議論の余地がある;例えば、中国の122都市を対象とした研究では気象データとの相関は見られなかったが[19]、[15]では相関が報告されている。パンデミックの伝播期間を強調した報告は、COVID-19の進化の間によく知られている生命を脅かす要因である医療資源と防護具のより良い管理につながる可能性がある。

本研究では、日本の異なる都道府県におけるCOVID-19の拡散と減衰期間に及ぼす環境条件と人口密度の違いの影響を評価した。私たちの知る限りでは、本研究は日本におけるCOVID-19の環境要因の影響を議論した最初の研究である。日本では、医療サービスや社会反応が全国的に類似しており、質の高いデータが適切に記録されていることから、環境要因に関する興味深いケーススタディとなっている。

2. 材料と方法

2.1. データソース

本研究では3つのデータセットを利用した。1つ目のデータセットは、厚生労働省の報告書[30]に基づいて東洋経済オンライン[29]から入手した各都道府県の陽性確認症例数である。

2020年5月25日に非常事態が終了したため、本研究ではそれまでの2020年3月15日のデータを利用した。COVID-19は2月中旬に愛知県で拡散が開始されたが、3月15日よりも早く拡散が開始されたのは愛知県だけである。そのため、愛知県のウェブサイト[31]から追加データを取得し、本研究に含めた。

第2のデータセットは、日本統計局[32]から取得した人口と都道府県面積のデータである（表1）。第二のデータセットは、日本統計局[32]から取得した人口と都道府県面積のデータである（表1）。隣接する都道府県では, 主要な都道府県に通勤している人が数人いることが判明しており, そのため, 都道府県データに影響を与える可能性があるので, 無視してはならない。

第三のデータセットは、パンデミック発生時に気象庁から各都道府県の気象データを取得したものである。絶対湿度は、相対湿度と周囲温度のデータから導出した[33]。

2.2. データ処理

確定陽性検査数は、日本のガイドラインに基づく診断データ、連続間隔、各医師の判断に左右される潜伏期間の影響を受ける可能性があるため、潜在的な特異点の影響を軽減するために、7日間（対応する日に加えて±3日間）の移動平均値を考慮した。この期間は、COVID-19の軌跡解析においても同様に使用された[34]が、その潜伏時間（平均値5.1日）も考慮された[35]。追加の小さなピークが依然として観察されたが、これは患者のクラスター（例えば、院内感染、介護施設の患者、外国からの帰国者）に起因するものであった。他国と同様に、確認された陽性の数は曜日に依存している可能性がある（[34]参照）;一般的に、週末に実施された検査の数は平日に比べて少ない。

この傾向は、計算モデル（理論モデル[36,37]での傾向と同様に、一般的にベルシェイプまたは対数正規分布として表現される）と比較するために、観察された症例を直接適合させることを妨げている。そこで、本研究では、図1aに示すように、10%から90%への拡散と、確認された陽性のピーク[38]（7日間の平均[34]）の90%から10%への減衰に必要な日数の基準を評価基準として導入した。このメトリックは、ノイズの影響を無視すべきではない場合に特に有用である。

このメトリックの限界は、サンプル数が少ない場合、1人または2人の新しい患者が結果に大きく影響するため、一定の最小サンプル数が必要であることである。そのため、前処理として、1日の最大陽性確認症例数が10未満の場合は都道府県データを除外した。また、院内感染や介護施設患者の罹患率/死亡率は有意ではないはずである。しかし、石川県では、確認された死亡者の75%が院内感染であった。2県（埼玉県と滋賀県）は、周囲の環境条件が蔓延と減衰期間に及ぼす影響を議論するために不可欠な湿度データが不足していたため、分析から除外された（次のサブセクションのデータソースを参照）。この基準に基づいて、図1bに示すように、16県で陽性確認例の最低数を満たしていた。

図1b　原文参照

(a) COVID-19パンデミックの曲線に沿った広がりと減衰の持続時間の定義（原データの7日移動平均に適用）。定義から抽出した時間パラメータは、TSS（拡散開始）、TSE（拡散終了）、TDS（減衰開始）、TDE（減衰終了）、DS（拡散持続時間）、DD（減衰持続時間）である。(b) 調査対象16県を一次県と隣接県（その他）に分類した日本地図。

2.3. 統計データ

JMP（SAS Institute, Cary, NC, USA）というソフトウェアを用いて、異なる要因とパンデミックの拡散期間と減衰期間の相関関係を決定するために統計分析を行った。ペアワイズ相関を補助するために、集団密度と異なる環境パラメータに正規化した拡散期間と減衰期間の間のスピアマン順位相関を計算した。また、偏相関確率の相関行列も計算した。その後、同じソフトウェアを用いて線形回帰を用いた多変量解析を行った。統計的有意性はp < 0.05で認められた。

3. 結果

表2は、各都道府県の散布・減衰期の開始日と終了日（移動平均値）、および1日の確認症例数（平均値なし）のピーク日を示したものである。図2は、表2に示したデータをもとに、拡散期間と減衰期間に対応した新規陽性確定症例の時系列を示したものである。
Ijerph 17 05354 g002 550図2. (a)全国16都道府県の散布と(b)減衰期間（日）。破線は一次県に隣接する都道府県（東京都、大阪府、愛知県、福岡県）を示す。

表2. COVID-19パンデミックの拡散・減衰段階の開始日と終了日、および確認症例の1日のピーク値が最も高かった日（2020）。

図2aに示すように、ほとんどの県で正規化確定症例数が増加し、一部の県では複数のピークが見られた。愛知県では、拡散期間であるTSSの開始時期が他の調査県に比べて3週間早く（表2）、渡航者が国からの呼びかけに応じて外国から帰国する3月中旬には、拡散グラフに2つの大きなピークが見られた。佐賀でも同様の傾向が見られるが、千葉、岐阜では小さなピークしか見られない。

パンデミックの衰退のタイムラインを示した図2bに示すように、ほとんどの都道府県で正規化確定症例数は時間の経過とともに減少している。図2aと同様に、神奈川県や兵庫県など一部の県で複数のピークが観測されている。愛知県では、2020年4月15日に最大値の約0.9倍のマグニチュードを持つ第2のピークが発生しており、外国からの帰国旅行者によるものである[39]。

図3は、拡散期間と減衰段階の関係を示したものである。これらの関係は、階層的なクラスタリングに基づいて2つのグループに分けられている。赤色のグループは、青色のグループに比べて人口密度の高い大都市圏で構成されている。以下では、愛知県と佐賀県を外れ者とする。図 3 から、人口密度が重要な要因であるとの仮説が立てられ、今後の検討が必要である。

図3. 拡散期間と減衰期間の関係（日単位）。赤色の楕円は比較的人口密度の高い県、青色の楕円は人口密度の低い県を示している。

原文参照

図4は、拡散・減衰期間（DS、DD）と人口密度の関係を示したものである。愛知県と佐賀県のデータは異常値のため除外した。その結果、散布・減衰期間と人口密度との間には相関関係があることが確認された。散布・減衰期の決定係数はそれぞれ0.390、0.424(p < 0.05)であった。

図4. (a)散布期間、(b)減衰期間（DS、DD）と個体群密度との関係。

原文参照

環境因子については、表2に示した2つの期間について、表3に示した1日平均気温と湿度を求めた。図5は、環境パラメータが散布期間と減衰期間に及ぼす影響を示したものである。日平均値、最大値、および日内変動値は、インフルエンザウイルスに関する先行研究[40,41]に基づいて選択されたものであり、温度および湿度の変動がCOVID-19の死亡率[15]と相関している可能性が高いことを示唆している。

図5に見られるように、このような相関関係は本研究で分析されたデータで観察された。隣接する都道府県と曲線に複数のピークを持つ都道府県を除外すると、最大絶対湿度（R2 > 0.2）と散布・減衰期間との間に軽度の相関が観察される（表4も参照）。隣接する都道府県を含めた場合と除外した場合では、いずれの場合においても、最大絶対湿度が持続時間と有意な相関を示すパラメータである。最高気温と最高絶対湿度の相関関係についての簡単な議論は付録Aを参照のこと。

湿地帯の最大絶対湿度は、その期間との間に有意な相関があることがわかった。拡散・減衰期間（DS、DD）と(a)日平均気温（Tave）、(b)日最高気温（Tmax）、(c)日最低気温（Tmin）、(d)日平均絶対湿度（Have）、(e)日最高絶対湿度（Hmax）、(f)日最低絶対湿度（Hmin）との関係。

表3. 日平均、最高・最低気温、絶対湿度の値。これらの値は、表2に記載されているように、散布・減衰段階で平均化されたものである。Tave、Tmax、Tminはそれぞれ、日平均、最高気温、最低気温を表す。Have、Hmax、Hminは、それぞれ、一日平均、最大、最小絶対湿度の値を表す。

表4. 母集団密度で正規化した散布期間と減衰期間のスピアマン順位相関係数とp値。

原文参照

調査期間中に測定した1日の最高気温・絶対湿度の値（パンデミックの蔓延・減衰）と人口密度との関係を多変量相関分析で調べた（図6）。愛知県と佐賀県のデータは外れ値のため除外した。その結果、表5に示すように、拡散段階では0.53（p < 0.05）、減衰段階では0.24（p = 0.130）の調整済みR2値が得られ、一部の都道府県内でのばらつきを示していた。人口密度、日最高気温、絶対湿度の標準化偏回帰係数は、散布期間ではそれぞれ0.611、0.203、-0.682であり、減衰期間ではそれぞれ0.388、0.544、-0.219であった（図6）。

図6. (a)散布期間と(b)減衰期間の多変量回帰（集団密度、最高気温、絶対湿度）の結果。

原文参照

表 5. 多変量線形回帰の決定係数R2、修正R2値、p値。

原文参照

4. 議論

温度や湿度が罹患率や死亡率に及ぼす影響は、さまざまな環境要因に起因する健康問題の研究で古くから研究されてきた（例えば、[42,43]）。COVID-19についても、導入部で検討したように、それらの影響は各国で広く議論されてきた。

日本におけるCOVID-19の事例では、データ記録の一貫性、医療の質、疾病発生時の社会的反応などの観点から、環境要因を浮き彫りにしている。第2節で述べたように、日本における異なる政策に起因するデータの制限も、利用可能なCOVID-19データの分析を妨げる要因の1つである。また、データの信頼性、一貫性、均一性に大きなばらつきがあることも課題の一つである。

本研究では、政策や行動計画の策定に資するために、普及期と減衰期の期間を初めて評価した。本研究で得られた結果は、すべてのケースで直接実施することはできないが、パンデミック時の感染段階に環境要因がどのように影響を与えるかについて、より一般的な枠組みでの貴重な知見を提供している。

1日の陽性確定症例数が10を超えた16都道府県のCOVID-19の拡散期間と減衰期間を比較した。正規化された確定症例の10-90%からの両持続期間の指標の定義を導入した。正規化は、規制の違いによる都道府県間の絶対数の違いを避けるために行った。データを扱う上での困難さの一つは、日本の症例数が他の多くの国に比べて少ないことである。例えば、日本の症例数はヨーロッパの多くの国に比べて1～2桁小さい（例えば、[34]参照）。上述したように、日本におけるCOVID-19の時系列解析は、日本のCOVID-19政策と潜伏期間の関係上、実行可能ではない。

本研究の結果は、確定症例数は一般的に増加した後に減少し、ベル型または対数正規曲線を形成していることを示している[36,37]。しかし、愛知・佐賀では拡散期に、愛知・佐賀・東京では衰退期に有意な二重のピークが見られた。各県の報告によると、これは主に院内感染、介護施設患者、外国からの帰国旅行者などの患者クラスターが原因となっている。

愛知県では、少なくとも1つのピークは、外国から帰国した個人が主な原因となっている。このようなピークの持続期間は、県の持続期間と比較して比較的短く、一般的には推定されたものよりも短い。愛知県では、最初のベル型曲線では拡散期間と減衰期間の合計が20日よりも短かったのに対し、多変量解析による推定期間は35日であったため、第二次発生とは考えられない。

持続期間を定義する閾値を変更した場合（例えば、0.05→0.95）、ベル型に続く分布では傾向は変わらず、持続期間は30%増加した。しかし、小さなピーク（すなわち、クラスター感染）が観察される都道府県では、いくつかの違いが明らかである。

一般的に、そのような県は除外されているか、別個に扱われているので、結論には影響しない。

最も注目すべきは、集団密度が蔓延・減衰期間に及ぼす影響を評価したことである。このことは，人口密度が社会的距離感の大まかな代理として機能していることを示している[44]。

我々のデータは、人口密度がパンデミックを記述する曲線のベル型の形成に大きく影響していることを示している。我々のデータを人口密度を用いて正規化することで、気温や絶対湿度と特定された期間との間に良い相関関係が見出された。

これは、現実世界の環境条件が時間とともに大きく変化することから、驚くべきことである（[45,46,47]など）。環境条件パラメータについては、1日の最大絶対湿度の影響が最も大きかった。

多変量線形回帰分析で得られたパラメータを予測に適用したところ、調整後のR2値は、拡散時間と減衰時間でそれぞれ0.53（p < 0.05）と0.24（p = 0.13）であり、減衰時間は統計的に有意ではなかった。一次県に隣接する県で観測された小さなピーク（図2b）がその理由の可能性が考えられる。

このことは、隣接する県では、県境を通勤する住民が拡散や減衰期間に影響を与えるため、一次県の影響が無視できないことを示している。例えば、兵庫県知事は、国家緊急事態の終了時期を大阪の緊急事態の終了時期と一致させることを決定した。

そのため、隣接する大規模パンデミック集団による感染の影響を避けるために、主要な都道府県に隣接する都道府県を除外するために、追加の制約を定義した。9県のセットは、平均絶対湿度と人口密度の強い相関を示し、拡散段階および減衰段階でそれぞれ0.896（p < 0.05）および0.681（p < 0.05）の調整R2値を得た。

絶対湿度の重要性は、インフルエンザウイルスの罹患率/死亡率に関する先行研究[48,49]やCOVID-19の予備研究[22]でも示唆されている。最高気温と平均気温、平均絶対湿度を含む他のパラメータの違いは、同等の相関関係を示していることに注意してほしい。22]では、環境パラメータの役割を十分に制約することができず、論争や矛盾が残った（「はじめに 」のレビューを参照）。

データは、異なる閉鎖政策、試験率、検証手段などに基づいて測定されており、いくつかのバイアスが生じるため、我々の知見を他国の知見と単純に比較することは不可能である。

また、データの正確性に影響を与える要因としては、閉鎖の制限、社会的距離、国民の反応などが挙げられる。最近では、COVID-19の感染に対する空調設備の効果も示唆されている[50]。日本でのパンデミック期間に関するこの事例研究は、この相関関係の理解を深めることにつながる可能性のある、非常に一貫性のある結果を提供している。

5. 結論

本研究では，日本の16都道府県におけるCOVID-19の拡散・減衰期の持続期間と環境条件および個体密度との相関を調査した。日本国内で報告された症例数は限られているが，データの一様性から、集団密度が高く、絶対湿度や気温が高いほど期間が短くなるという一貫した結論が得られた。

特に外国からの旅行者が帰国した県での例外もある。また、隣接する都道府県の時間は、主要な都道府県（例えば、東京都、大阪府、愛知県、福岡県）の影響を受けており、期間が長くなっている。

潜在的なパンデミック、特にCOVID-19の第2波が発生する可能性がある場合には、この要因を考慮するとともに、異なる保護政策を立案するための複数都市比較を行う必要がある。