Abstrait
La maladie à coronavirus 2019 (COVID-19), causée par le coronavirus 2 du syndrome respiratoire aigu sévère (SARS-CoV-2), remonte au 29 décembre 2019 à Wuhan, en Chine. Il se propage rapidement comme une traînée de poudre sur tous les continents dans les mois suivants. En Guinée, le premier cas de COVID-19 et le premier décès ont tous été signalés respectivement le 12 mars et le 16 avril 2020. Depuis lors, plusieurs études ont révélé une relation entre certaines conditions environnementales telles que les facteurs météorologiques comme le potentiel de contribuer à la propagation du virus. Ainsi, cette étude vise à examiner dans quelle mesure les facteurs météorologiques observés ont pu contribuer à la propagation des cas de maladie à coronavirus 2019 (COVID-19) à Conakry, du 1er mars au 31 mai 2020. Facteurs météorologiques tels que la température (TMinTméchant et Tmax) et l’humidité relative (HR)Min, HRméchant et HRmax) ont été analysées en même temps que les données sur la COVID-19. La dynamique du COVID-19 en Guinée a été analysée avec celle de certains pays d’Afrique de l’Ouest. L’analyse de la dynamique de la pandémie de COVID-19 en Afrique de l’Ouest a indiqué que la Guinée était l’un des pays les plus touchés par la pandémie après le Nigeria et le Ghana. L’étude a révélé qu’en général, une augmentation de la température est liée à une baisse du nombre de cas et de décès liés à la COVID-19, tandis qu’une augmentation de l’humidité est positivement corrélée au nombre de cas et de décès. Néanmoins, à partir de cette étude, il a également été observé que la basse température, la température diurne douce et l’humidité élevée sont susceptibles de favoriser sa transmission. L’étude recommande donc que les habitations et les chambres d’hôpital soient maintenues à une humidité relativement faible et à une température relativement élevée afin de minimiser la propagation du (SARS-CoV-2).
En décembre 2019, une pneumonie d’origine inconnue a été détectée à Wuhan, en Chine, et signalée au bureau de pays de l’Organisation mondiale de la Santé (OMS, ci-après) en Chine. L’éclosion a été déclarée urgence de santé publique de portée internationale (USPPI), le 30 janvier 2020 et enfin le 11 février 2020, compte tenu de la souche et de l’étendue de la maladie dans le monde, l’Organisation mondiale de la santé (OMS) a catégorisé la nouvelle maladie comme pandémie après l’avoir qualifiée de maladie à virus corona : COVID-19 (COVID-19, ci-après). Depuis lors, plusieurs études ont été entreprises pour comprendre la cause de la maladie. Des chercheurs tels que [1] [2] [3] [4] ont indiqué que la COVID-19 était causée par un syndrome respiratoire aigu sévère, le coronavirus 2 (SARS-CoV-2). La COVID-19 est une maladie respiratoire aiguë qui peut entraîner une pneumonie avec des symptômes tels que fièvre, toux et dyspnée [5] et a un taux de mortalité approximatif de 2 % à 3 % [6]. La particule du CoV-SRAS est représentée à la figure 1 ci-dessous covid-19 appartenant à la famille des Coronaviridae, ordre nidovirales [7].
La COVID-19 a présenté et confronté le monde à d’énormes défis qui s’ajoutent à ceux qui existent déjà insupportablement. Le monde est actuellement confronté à plusieurs crises dues à la COVID-19, entre autres, à la crise sanitaire, à la crise de l’éducation, à la crise de l’emploi et à la crise économique, à la crise de la faim et de la pauvreté et, dans certains pays, à une crise de gouvernance et de stabilité politique qui nécessite des efforts plus coordonnés pour les surmonter.
Pour les pays en développement d’Afrique dont la population est beaucoup plus importante et à risque, dont les ressources sont réduites et qui ont moins de capacité d’adaptation, la pression pour élaborer des réponses efficaces et les mettre en œuvre à grande échelle est énorme.
Alors que les pays s’efforcent de faire face aux impacts économiques et aux autres défis liés à la gestion de la pandémie de COVID-19, il est urgent de disposer de nouvelles preuves et de nouvelles recherches pour améliorer notre compréhension des facteurs météorologiques qui pourraient jouer un rôle multiplicateur dans la propagation de la COVID-19 afin de fournir des réponses politiques appropriées. La COVID-19 a entraîné une pandémie en cours après sa propagation à d’autres continents et régions.
Par conséquent, la COVID-19 a suscité l’intérêt des chercheurs et des chercheurs du monde entier. Cependant, l’accent mis sur le sujet différait selon la discipline et l’intérêt de recherche des auteurs. D’abord et avant tout, la chose la plus importante à déterminer par beaucoup était de confirmer la transmissibilité interesgienne de la COVID-19 [8] [9]. Puis à partir de ces recherches, des preuves ont été établies sur la façon dont, la transmission s’est produite (contact étroit, le plus souvent via de petites gouttelettes produites lors de la conversation, des éternuements ou de la toux). Cependant, plusieurs mesures de confinement ont été recommandées par l’OMS pour réduire les risques d’infection, entre autres, l’éducation sur le respect de la distanciation sociale et le port de masques faciaux pour prévenir le contact avec les liquides organiques et les gouttelettes éternuisantes.
De décembre au 11 mars 2020, l’OMS a notifié 118 319 cas confirmés et 4292 décès dans le monde [10] et déclaré pandémie mondiale le même jour [11]. Le 28 mars 2020, un total de 571 678 cas confirmés de COVID-19 et 26 494 décès ont été signalés dans le monde [12]. En outre, le 17 avril 2020 et au 24 avril 2020, 553 926 nouveaux cas de maladie à coronavirus (conformément à la définition de cas appliquée dans les pays) ont été notifiés, dont 45 409 nouveaux décès [13]. Avec la trajectoire actuelle de l’épidémie de COVID-19, des mesures médicales et la santé publique seront nécessaires à la fois pour contenir la propagation de la COVID-19 et pour améliorer les résultats pour les patients [7]. La figure 1 présente une représentation de la particule du CoV-SRAS [14]. COVID-19 appartient à la famille des Coronaviridae, ordre nidovirales [7].
La figure 2 présente l’historique de la nomenclature des coronavirus au cours des trois flambées zoonotiques en relation avec la taxonomie des virus et les maladies causées par ces virus [2], par l’OMS. Le syndrome respiratoire du Moyen-Orient (MERS) a été découvert en 2012, suivi par la suite du syndrome respiratoire aigu sévère (SRAS) en 2013. En décembre 2019, un virus aux mêmes caractéristiques a été détecté à Wuhan, en Chine. Étant donné que le virus qui a reçu le nom de COVID-19 serait originaire d’animaux sauvages, même si l’origine demeure incertaine.
1.1. Covid-19 dans les pays d’Afrique de l’Ouest
Depuis l’apparition de la COVID-19, elle a rapidement évolué, affectant d’autres parties du monde et l’Afrique subsaharienne. Les chercheurs se sont efforcés de comprendre les modèles et la dynamique du virus, sa transmission et ses impacts. Le Nigeria et le Sénégal ont été les pays d’Afrique de l’Ouest à enregistrer les premiers cas confirmés de COVID-19 [7]. La Guinée et la Côte d’Ivoire ont prononcé leurs premiers cas humains confirmés de COVID-19, l’infection virale s’étant maintenant propagée à au moins 10 pays d’Afrique de l’Ouest [17] [18].
1.2. COVID-19 à Conakry, République de Guinée
Selon l’Agence nationale de sécurité sanitaire (NAHS, ci-après) de Guinée, les premiers cas de COVID-19 et décès ont été enregistrés à Conakry, respectivement le 12 mars et le 16 mars 2020. Au 13 mai 2020, les cas confirmés de COVID-19 en Guinée s’élèvent à 5260, dont 4115 ont été déclarés guéris et le nombre total de décès a atteint 29. Le nombre total de cas actifs restants à la même date était de 1076 (voir tableau 1).
La figure 3 montre la répartition spatiale des cas confirmés de COVID-19 dans la ville de Conakry par jour fournie par le rapport NAHS du 3 avril 2020. Ce chiffre explique la fourchette de contagion en pourcentage par commune de Conakry. C’est le conseil de Ratoma qui a le plus haut pourcentage de contagion à Conakry avec 51% jusqu’à présent. En effet, l’objectif principal de cette étude est d’analyser l’évolution du COVID-19 et sa relation avec les paramètres climatiques tels que la température (TMinTméchant et Tmax) et l’humidité relative (HR)Min, HRméchant et HRmax) à Conakry.
La transmission des virus peut être affectée par de nombreux facteurs, notamment les conditions climatiques, la densité de la population et la qualité des soins médicaux [19]. Les conditions météorologiques telles que la température et l’humidité relative peuvent influer sur la transmission et la virulence des virus en ayant une incidence sur la croissance des virus et les systèmes de défense de l’hôte, et ces effets ont fait l’objet d’études approfondies [20] [21] [22] [23]. Il a été documenté que la température et ses variations pourraient avoir affecté le SRAS éclosions [24]. Par conséquent, des facteurs météorologiques, comme la température ambiante et l’humidité, pourraient jouer un rôle important dans la propagation de la maladie [25].
Malgré le fait, la Guinée était avec le Libéria et la Sierra Leone, les trois (3) pays d’Afrique de l’Ouest fortement touchés par la maladie à virus Ebola entraînant 11 310 décès sur 28 616 cas confirmés, très peu d’études existaient en Guinée concernant la relation entre les maladies virales en général et COVID-19 en particulier avec les variables climatiques. Désormais, cette étude vise à fournir des informations de base qui peuvent être utiles pour comprendre le modèle de transmission du virus par rapport au climat afin de permettre aux décideurs et aux spécialistes de la santé de fournir des conseils adéquats au public.
Cependant, la relation entre les maladies virales et le comportement climatique est moins documentée dans notre domaine d’étude (Conakry, Guinée) ou inexistante. C’est dans ce contexte, que nous avons effectué une analyse en étudiant la pandémie de COVID-19 en relation avec le climat en Guinée en considérant la ville de Conakry. Nous utilisons la température minimale, maximale et moyenne et l’humidité relative minimale, maximale et moyenne comme facteurs météorologiques. Ce travail est une nouveauté pour la recherche en Guinée et une contribution majeure pour aider les spécialistes du climat et de la santé à comprendre la relation entre covid-19 et le climat.
Cette étude a été entreprise à Conakry, la capitale de la Guinée (Figure 4). Conakry est située sur la côte entre l’océan Atlantique et la montagne Kakoulima à 9°34’36 » de latitude nord, et 13°36’43 » de longitude ouest, avec une altitude de 46 m au-dessus du niveau de la mer. Étant donné que Conakry est une zone côtière qui se trouve entre l’océan Atlantique et la chaîne de montagnes Kakoulima, qui forme une barrière et favorise le phénomène foehn [28]. Foehn est un vent chaud et sec soufflant en amont d’une montagne et se refroidit en surmontant celle-ci. Il peut être favorable à l’initiation de la convection.
Après la montée en flèche des cas de COVID-19, montrant qu’il n’était plus possible de contenir la propagation de la maladie, les gouvernements de nombreux pays ont lancé des stratégies d’atténuation, essayant de ralentir ou de contenir la propagation de l’épidémie et d’aplatir sa courbe [20]. Cela s’explique par la réponse rapide du gouvernement à travers la NAHS à très rapidement confiné Conakry, afin de contrôler et d’atténuer la propagation du virus à travers le pays.
3. Acquisition de données et méthode
3.1. Acquisition de données
Les données climatiques utilisées dans cette étude ont été obtenues auprès du Service météorologique national de Guinée (NMSG). Les facteurs météorologiques observés, comme la température et l’humidité relative, du 1er mars au 31 mai 2020, ont été pris en compte. L’emplacement de cette station synoptique à l’aéroport international de Conakry rend l’ensemble de données ininterrompu et de bonne qualité.
Les données sur la COVID-19 utilisées ont été obtenues sur le site officiel du Centre européen de prévention et de contrôle des maladies (ECDC) [29]. Le fichier de données téléchargeable est mis à jour quotidiennement et contient les dernières données publiques disponibles sur la COVID-19. Chaque ligne/entrée contient le nombre de nouveaux cas signalés par jour et par pays. Les données concernent les cas enregistrés chaque jour, notamment: le nombre de nouveaux cas de COVID-19 confirmés par la NAHS; le nombre de décès et le nombre de cas de guérison.
3.2. Méthode
Notre étude s’est concentrée sur la tendance de la COVID-19 et sa relation avec certains paramètres météorologiques du 1er mars au 31 mai 2020. Pour les données climatiques, la température mensuelle minimale, maximale et moyenne et l’humidité relative minimale, maximale et moyenne sont la moyenne basée sur les paramètres quotidiens obtenus de mars à mai. La moyenne quotidienne minimale, maximale et moyenne a été calculée en faisant la moyenne des températures minimales et maximales quotidiennes. La même méthode est appliquée pour l’humidité relative afin d’obtenir la moyenne quotidienne. MATLAB et le progiciel statistique du logiciel R ont été utilisés pour effectuer toutes les tâches de calcul dans ce travail.
Tout d’abord, nous avons analysé la situation pandémique en Afrique de l’Ouest en cumulant les cas confirmés de COVID-19 dans la sous-région. Cette analyse nous permet de voir l’évolution du COVID-19 en Afrique de l’Ouest entre le 1er mars et le 31 mai 2020. En effet, il permet également d’identifier les pays qui ont enregistré des cas confirmés de COVID-19 plus faibles et plus élevés en Afrique de l’Ouest.
Deuxièmement, nous nous concentrons sur notre zone d’étude qui est Conakry pour faire la même méthode sur les cas de COVID-19 et de décès. Cette analyse permet d’identifier les jours où des cas confirmés de COVID-19 et des décès plus faibles et les plus élevés sont enregistrés à Conakry, en Guinée.
Troisièmement, nous analysons la relation entre les facteurs météorologiques (température et humidité relative) et le nombre quotidien de cas confirmés de COVID-19 à partir de la corrélation de Pearson. Les coefficients de corrélation nous permettent de déterminer les liens entre les deux paramètres. Nous normalisons tous les paramètres et les données COVID-19 pour analyser leur relation. De plus, nous avons calculé la corrélation entre :
· COVID-19 et température minimale (TMin, ci-après),
· Humidité relative liée à la COVID-19 minimale (HRMin, ci-après),
· COVID-19 et température maximale (Tmax, ci-après),
· COVID-19 et humidité relative maximale (HRmax, ci-après),
· COVID-19 et température moyenne (Tméchant, ci-après),
· COVID-19 et moyenne d’humidité relative (HRméchant, ci-après).
Quatrièmement, nous analysons également la relation entre la COVID-19 et les facteurs météorologiques à l’aide du modèle de régression multi-linéaire. En statistique, la régression linéaire multiple est une méthode de régression mathématique qui prolonge la régression linéaire simple pour décrire les variations d’une variable endogène associée aux variations de plusieurs variables exogènes.
Le modèle de régression multi-linéaire est également utilisé pour décrire les relations entre les variables en ajustant une ligne aux données observées. La régression permet d’estimer comment une variable dépendante change à mesure que la ou les variables indépendantes changent. Cette technique est appliquée pour estimer la relation entre deux ou plusieurs variables indépendantes telles que la température (TMinTmax et Tméchant), l’humidité relative (HR)Min, HRmax et HRméchant), et une variable dépendante qui est les cas observés de COVID-19.
Pour pouvoir fournir une analyse de régression multi-linéaire, le langage de programmation de R-package a été utilisé pour effectuer un code numérique. La relation entre les variables climatiques et la propagation de la COVID-19 est ensuite évaluée pour la méthode de régression linéaire simple non paramétrique de Lmrob basée sur l’estimateur MM pour les modèles de régression linéaire. La procédure proposée dans l’algorithme a été implémentée dans le package R « robust-base » et fournit différentes techniques de régression robustes, ainsi que des méthodes univariées et multivariées robustes.
3.3. Analyse statistique
Plusieurs techniques calculées de corrélation existent, comme Pearson, Spearman ou Kendall, ont été adoptées pour explorer la relation entre deux variables. Pour cette étude, nous avons utilisé la méthode de Pearson. La corrélation de Pearson mesure l’existence (donnée par une valeur de p) et la force (donnée par le coefficient r compris entre −1 et +1) d’une relation linéaire entre deux variables [30].
La relation (ou corrélation) entre les deux variables est notée par la lettre r et quantifiée par un nombre, qui varie entre −1 et +1 [31]. La méthode Pearson prend en compte la relation entre deux ensembles de variables X (indépendant) et Y (dépendant). Cette méthode a été appliquée pour déterminer statistiquement la relation entre la COVID-19 et les facteurs météorologiques. Selon [32], une valeur absolue de r de 0,1 est classée comme petite, une valeur absolue de 0,3 est classée comme moyenne et de 0,5 est classée comme grande. Le coefficient de corrélation de Pearson r est donné comme suit:
r(x,y)=1N∑i=1N.(xi−x¯)(yi−y¯)σx.σyr(x,y)=1N∑i=1N.(xi−x¯)(yi−y¯)σx.σy(1)
où:
· r est le coefficient de corrélation de Pearson entre x et y;
· N est le nombre de paires de la mesure;
· x¯x¯ est égal à la moyenne de la variable x ;
· y¯y¯ est égal à la moyenne de la variable y ;
· σxσx et σyσy sont des écarts types de x et y calculés comme suit:
· σxσx est égal à (xi−x¯)2(xi−x¯)2 et σyσy est égal à (yi−y¯)2(yi−y¯)2.
Dans cette section, la tendance covid-19 du 1er mars au 31 mai 2020 dans la région ouest-africaine qui comprend la République de Guinée est représentée.
4.1. Évolution du COVID-19 en Afrique de l’Ouest
La figure 5 montre une forte augmentation des cas cumulés de COVID-19 dans les pays d’Afrique de l’Ouest du 1er mars au 31 mai 2020. Cette augmentation rapide est principalement notée pour la Côte d’Ivoire, le Sénégal, la Guinée, le Ghana et le Nigeria variant de 1500 à 10 000 cas confirmés le 31 mai. En Sierra Leone, au Burkina Faso, au Niger et au Mali, un faible nombre de cas confirmés est passée de 500 à 1500 cas le 31 mai. Toutefois, les plus faibles augmentations de cas confirmés ont été identifiées en Gambie, en Mauritanie, au Togo, au Bénin, au Cap-Vert et au Libéria, tant pour les nouveaux cas quotidiens que pour le nombre total de cas confirmés au cours de la période étudiée. Le Nigeria a le plus grand nombre de cas confirmés (9587), suivi du Ghana (7768), de la Guinée (3706), du Sénégal (3535), de la Côte d’Ivoire (2799). Le Mali, le Niger, le Burkina-Faso et la Sierra Leone ont enregistré respectivement 1230, 956, 853 et 852 cas confirmés de COVID-19 et la Gambie a le plus faible nombre de cas confirmés (11). Le nombre de cas enregistrés en Guinée au cours de la période d’étude a été estimé à 3706 cas confirmés.
Au cours de la première semaine de mars 2020, 4 cas confirmés ont été enregistrés au Sénégal et 1 cas confirmé au Togo a été observé. Au cours de la deuxième semaine, à partir du 14 mars 2020, un total de 132, 79 et 69 cas confirmés jusqu’à la fin de la troisième semaine ont été enregistrés respectivement au Ghana, au Sénégal et au Burkina Faso. Au cours de la dernière semaine de mars, le nombre de cas confirmés a dépassé 140 au Burkina Faso (216 cas), en Côte d’Ivoire (168 cas), au Sénégal (159 cas), au Cameroun (142 cas) et au Nigéria (140 cas). Par conséquent, au cours du mois de mars, les cas confirmés les plus élevés en Afrique de l’Ouest ont été enregistrés par ordre décroissant au Burkina-Faso, en Côte d’Ivoire, au Sénégal, au Cameroun et au Nigéria.
Au cours de la première semaine d’avril 2020, une tendance à la hausse a été observée dans les cas confirmés au Niger (233 cas), en Côte d’Ivoire (155 cas), au Burkina-Faso (142 cas), en Guinée (112 cas), au Nigéria (107 cas), au Sénégal (64 cas) et en Sierra Leone (11 cas). Par conséquent, le Sénégal et la Sierra Leone ont relativement la plus faible augmentation du nombre de cas confirmés enregistrés. De la deuxième semaine à la dernière semaine d’avril, la tendance reste dans le nombre de cas confirmés fortement augmenté dans la plupart des pays d’Afrique de l’Ouest en général comme le Nigeria (1330 cas), la Côte d’Ivoire (1070 cas), le Sénégal (720 cas), le Niger (693 cas), le Burkina-Faso (419 cas) et particulièrement en Guinée (1335 cas).
Au cours de la première semaine de mai 2020, nous avons observé que la tendance des cas confirmés était toujours en hausse avec un pic de 2500 cas, au Nigeria et au Ghana, en Guinée (1750 cas), en Côte d’Ivoire (1500 cas) et au Sénégal (1400 cas). Cette tendance positive du nombre de cas confirmés enregistrés s’est poursuivie dans ces pays jusqu’à la fin du mois de mai. Néanmoins, la pente de la tendance était différente d’un pays à l’autre, ce qui a entraîné le niveau dont le pays donné est affecté par la COVID-19.
4.2. Évolution du COVID-19 à Conakry
4.2.1. Nombre total de cas confirmés et de décès infectés par la COVID-19
La figure 6 montre la courbe d’évolution des cas confirmés enregistrés de COVID-19 (Figure 6(a)) et le nombre de décès enregistrés dus à la COVID-19 (Figure 6(b)) du 1er mars au 31 mai 2020 à Conakry, en Guinée. La figure 6(a) montre une tendance à la hausse de la COVID-19. Le premier cas de COVID-19 a été enregistré par la NAHS de Guinée 19 le 12 mars 2020. Cela signifie qu’au cours des 11 premiers jours du mois de mars, la Guinée n’avait aucun cas confirmé jusqu’au 12 mars 2020. Les deuxièmes cas confirmés ont été enregistrés le 20 mars et le nombre a continué d’augmenter pour atteindre un total de 16 cas confirmés à la fin de mars 2020.
Au cours de la première semaine d’avril 2020, le nombre de cas est passé de 16 à 100 cas confirmés. La même tendance se poursuit au cours de la deuxième semaine pour atteindre un pic de 1351 cas. Le mois de mai est caractérisé par une augmentation sans précédent et alarmante du nombre de cas confirmés de COVID-19. Les cas confirmés ont considérablement augmenté, passant de 1351 à 1750, au cours de la première semaine de mai 2020. Cette tendance continue d’atteindre le pic de 3706 cas confirmés, qui a placé la Guinée parmi les pays d’Afrique de l’Ouest les plus touchés.
La figure 6(b) présente la courbe d’évolution des cas de décès enregistrés à Conakry dus au COVID-19 entre mars et mai 2020. Selon la figure 6(b), tout le mois de mars, malgré la légère augmentation du nombre de cas confirmés, aucun décès n’a été enregistré en raison de la COVID-19. Le premier décès de COVID-19 à Conakry a été enregistré le 16 avril 2020, et le cas le plus élevé est de 15 enregistré le 31 mai 2020. Les deux dernières semaines d’avril et de mai entre le 16 et la fin du mois respectivement sont marquées par une tendance à la hausse des cas de décès. Le plus grand nombre de cas de décès par jour était de 7, enregistré du 26 au 30 avril.
Le mois de mai a été identifié comme présentant la morbidité et la mortalité les plus élevées dues à la COVID-19, avec un minimum de 2 cas enregistrés par jour tout au long du mois, sauf le 2 mai et le 4 mai.
4.3. Relation entre la COVID-19 et les facteurs météorologiques (température, humidité relative)
Des facteurs météorologiques tels que l’humidité relative et la température ont été signalés comme ayant joué un rôle important dans la propagation saisonnière des coronavirus, comme indiqué [33] [34], en Chine. Cette section montre la relation entre les facteurs météorologiques et la COVID-19 en Guinée entre le 1er mars et le 30 avril 2020.
4.3.1. COVID-19 et facteurs météorologiques (Tméchant et HRméchant)
La figure 7 montre les anomalies des cas confirmés quotidiens de COVID-19 et de la température moyenne (courbe noire) au cours de la période d’étude à Conakry, en République de Guinée. Cette figure montre l’évolution de la COVID-19 et de la Tméchant courbe avec un comportement différent.
Nous avons remarqué que la tendance de la courbe COVID-19 augmente tandis que celle de la température diminue. Nos résultats sont confirmés par une valeur de coefficient de corrélation négative très faible (r = −0,29, valeur de p = 0,00468), ce qui signifie que ces deux paramètres sont anti-corrélés.
La figure 7 montre également la relation entre les cas confirmés de COVID-19 et l’humidité relative moyenne à Conakry. Nous avons observé que les deux paramètres évoluent ensemble dans la même direction avec une tendance à la hausse. Cette relation est illustrée par le coefficient de corrélation de Pearson faible mais positif (r = 0,36), ce qui implique que l’HRméchant plus élevé, le nombre de cas augmente. De même, si l’HRméchant diminue, le nombre de cas confirmés diminue.
4.3.2. COVID-19 et facteurs météorologiques (TMin et HRMin)
La figure 8 montre les anomalies des cas confirmés quotidiens de pandémie de COVID-19 et des facteurs météorologiques (TMin, HRMin) dans l’étude de Conakry. Dans cette figure, le comportement de la COVID-19 (courbe rouge) diminue, tandis que celui de TMin (courbe noire) évolue différemment. Nous avons également remarqué une opposition de comportement à partir de 19ième à 27ième jour et valeur du coefficient de corrélation (r) entre covid-19 et TMin est r = −0,12, ce qui est relativement faible. Ces résultats indiquent que la relation entre les cas confirmés de COVID-19 et TMin est anti-corrélé. En d’autres termes, les cas confirmés de COVID-19 sont opposés proportionnellement à la température minimale.
La figure 8, montre que le nombre de cas de COVID-19 et l’humidité relative évoluent dans la même direction avec un coefficient de corrélation de Pearson significatif (r = 0,37**) à un niveau de confiance de 95 %. Au contraire, une corrélation négative a été observée entre le nombre de cas de COVID-19 et la température (r = −0,12).
4.3.3. COVID-19 et facteurs météorologiques (Tmax et HRmax)
La figure 9 montre les anomalies des cas confirmés quotidiens de COVID-19 et des facteurs météorologiques (Tmax, HRmax) à Conakry. Nous avons remarqué que la tendance de la courbe COVID-19 est à la hausse tandis que celle de Tmax diminue. Ce résultat est confirmé par la valeur du coefficient de corrélation négative (r) égale à −0,36, ce qui signifie que ces deux paramètres sont anti-corrélés.
Entre la COVID-19 et l’HRmax, nous avons observé à la figure 9 qu’ils évoluent ensemble dans la même direction, à l’exception de la dernière semaine du mois. La valeur du coefficient de corrélation est quelque peu positive (r = 0,33) et relativement faible, ce qui signifie qu’ils sont corrélés.
4.3.4. Matrice de corrélation entre la COVID-19 et les facteurs météorologiques
La figure 10 résume la relation entre les cas confirmés de COVID-19 et les facteurs météorologiques à Conakry. Il montre une anti-corrélation entre COVID-19 et Tméchant (r = −0,29**), TMin (r = −0,12*), Tmax (r = −0,36**). Mais entre la COVID-19 et l’HRméchant (r = 0,36**), TMin (r = 0,37**) et Tmax (r = 0,33**), la figure 10 indique une corrélation positive.
Nous avons observé que ces coefficients de corrélation de Pearson sont significatifs avec des valeurs de p < 0,01. Nous avons noté que parmi ces coefficients de corrélation de Pearson : TméchantTmax et HRméchant, HRMin, HRmax sont respectivement anti-corrélés et corrélés avec la valeur de p < 0,01. Mais, à l’exception du TMin qui n’est pas significativement (*) anti-corrélée avec covid-19.
4.3.5. Analyse de la relation entre la COVID-19 et les variables climatiques à l’aide d’un modèle de régression multiple
La figure 11 montre une relation statistiquement significative entre la COVID-19 confirmée et de multiples variables climatiques telles que la température et l’humidité (TméchantTMinTmax, HRméchant, HRMin et HRmax). Les tendances linéaires sont estimées à l’aide d’un modèle de régression robuste et non paramétrique et les valeurs correspondantes des coefficients de corrélation de Pearson (r) sont ajoutées pour chaque contribution de variable climatique. Ces résultats impliquent qu’en Guinée, la transmission du COVID-19 est quelque peu influencée par un diminution de la température associée à une augmentation de l’humidité.
Cette étude est la première du genre qui a été entreprise en Guinée en général et à Conakry en particulier. Nos résultats ont indiqué que la transmission de la COVID-19 peut être affectée par des facteurs météorologiques tels que la température (minimale, maximale et moyenne) et l’humidité relative (minimale, maximale et moyenne). Une faible corrélation négative a été obtenue entre la COVID-19 et la TméchantTMinTmax d’une part et une corrélation positive d’autre part entre la COVID-19 et l’HRméchant, HRMin, HRmax.
La valeur de corrélation négative entre la COVID-19 et la Tméchant implique qu’à mesure que la température baisse, le nombre de cas augmente. Ce résultat concorde avec les études antérieures réalisées par [35] [36] [37] [38]. On observe que lorsque Tméchant augmente, le nombre de cas de COVID-19 diminue considérablement. La même observation a été faite précédemment par [39] et [38] sur la Turquie. Pirouz et al. (2020) ont également la même conclusion de la corrélation de Tméchant avec les cas de COVID-19 en Iran et en Italie. Les résultats de [40] sur les indicateurs climatiques ont montré que la température sert de moteur pour le COVID-19, pour notre cas d’étude, il est Tméchant.
La valeur de corrélation positive obtenue entre la COVID-19 et l’HRméchant signifie qu’ils évoluent ensemble, donc sont également proportionnels. Auler et al. (2020) [41] est également arrivé à la même conclusion pour les villes brésiliennes, indiquant une corrélation positive entre l’humidité et la transmission de la COVID-19. Cette déduction est conforme à [42] qui explique la propagation de la COVID-19 dans les provinces par la forte densité de population, les mouvements intraprovinciaux de la population, mais surtout par l’humidité élevée.
D’après les résultats, la relation entre TMin et la COVID-19 a montré un coefficient de corrélation négatif. Par conséquent, lorsque TMin cette augmentation correspond à une diminution du COVID-19 à Conakry. Il est d’accord avec [40] qui a montré sur l’Iran et l’Italie que, les régions avec des températures quotidiennes moyennes plus faibles avaient un niveau épidémique plus élevé du nouveau coronavirus (COVID-19) comme [43] à New York. Cela peut nous permettre de déduire qu’une température minimale corrélée avec le COVID-19 pourrait être un facteur de propagation du COVID-19 à Conakry, en Guinée. Cette déduction est cohérente avec [43] et [44] ont conclu que les pays qui souffrent actuellement le plus de la maladie (COVID-19) sont principalement situés dans les régions à basse température. Puis, [25] [44] [45] [46] [47] [48] sont unanimes sur le fait que la météo à basse température favorise sa transmission.
La relation entre la COVID-19 et la Tmax expose un behanvior opposé. Cela signifie que la tendance de la COVID-19 augmente alors que celle de Tmax diminue, ils sont donc anti-corrélés. Cela est convenu avec [39] et [38]. Poole, (2020) [39] explique que le T élevéméchant (Tmax) semble conduire à la réduction du nombre de cas de COVID-19. Şahin et al. (2020) [38] indique qu’une température maximale corrélée à la COVID-19 serait utile pour supprimer la COVID-19.
Tenir compte de la COVID-19 et de l’HRmax, nous avons obtenu un coefficient de corrélation positif. Cette idée concorde avec les travaux de [42] sur l’Iran, qui ont indiqué que les villes de la province sont plus sensibles à l’infection covid-19 en raison du taux d’humidité élevé. Ma et al. (2020) [1] a suggéré que l’humidité jouerait un rôle important dans le taux de mortalité due à la COVID-19, ce qui signifie clairement qu’une HR élevée pourrait être un facteur de propagation de la COVID-19 dans la ville de Conakry.
Les résultats du modèle de régression multiple concordent avec certaines recherches disponibles dans la littérature [49], montrant que la température ne peut avoir aucune association significative avec un taux d’incidence cumulatif de la COVID-19 et que la propagation de la COVID-19 ne changerait pas avec l’augmentation de la température.
En résumé, Liu, J et al.,2018 [25], Liu, J et al.,2020 [44], Tan et al.,2020 [45], Lin K et al.,2006 [46] et Park et al.,2020 [47] sont unanimes sur le fait qu’un temps avec une température basse, une plage de température diurne douce et une humidité élevée favorise probablement sa transmission. De plus, Lin J et coll.,2020 [50] ont constaté que l’humidité élevée favorise la transmission de la COVID-19 lorsque la température est basse, mais réduit la transmission de la COVID-19 lorsque la température est élevée.
L’objectif de cette étude était d’examiner la relation entre les cas de maladie à coronavirus 2019 (COVID-19) et certains facteurs météorologiques tels que la température et l’humidité relative à Conakry, du 1er mars au 31 mai 2020 afin de comprendre dans quelle mesure ils peuvent contribuer à la propagation du COVID-19 dans l’emplacement géographique donné.
Notre analyse sur les pays d’Afrique de l’Ouest montre une forte augmentation des cas confirmés entre le 1er mars et le 31 mai 2020 dans huit pays, dont la Guinée, avec les cas confirmés les plus élevés enregistrés au Nigeria, suivi du Ghana et de la Guinée. Sur le nombre total de cas confirmés, la Guinée a été l’un des pays les plus touchés de l’ouest de l’Afrique entre mars et mai 2020. Le mois de mai a été observé comme le mois avec le taux de morbidité et de mortalité le plus élevé, enregistrant un minimum de 2 décès par jour.
Cette étude a révélé que le TméchantTMin et Tmax sont anti-corrélés avec les cas confirmés de COVID-19 à Conakry. Les valeurs négatives de corrélation associées entre le COVID-19 et l’humidité relative montrent que lorsqu’elles sont corrélées, cela pourrait être un facteur de propagation du coronavirus jusqu’à ce que le décès suive à Conakry. Il montre également que l’HRméchant, HRMin et HRmax sont corrélés avec la COVID-19 indiquant une corrélation positive. Par conséquent, la température élevée et la faible humidité relative élevée pourraient être un facteur dans la réduction de la propagation des cas de COVID-19 à Conakry. On suppose désormais, à partir de l’analyse de corrélation, que l’augmentation de l’HRméchant et Tméchant pourraient être les facteurs météorologiques entre autres expliquant les conditions climatiques favorables à la propagation du COVID-19 dans la ville de Conakry.
Cette étude indique que l’épidémie pourrait augmenter progressivement en raison des basses températures estivales dans les prochains mois, ce qui entraînerait une humidité élevée. Mais la mise en œuvre de mesures de contrôle de santé publique et de gestes barrières pourrait ralentir sa propagation. Dans notre étude, malgré certaines cohérences avec d’autres études entre les facteurs météorologiques et la COVID-19, certaines limites sont connues. À l’avenir, d’autres variables seront nécessaires pour mener une étude approfondie sur la COVID-19. Une étude tenant compte d’autres facteurs liés à la COVID-19 tels que la distanciation sociale, l’immunité des gens, la disponibilité des établissements de santé, etc. pourrait être d’une importance capitale.
La présente étude peut être considérée comme un tremplin pour d’autres recherches qui s’efforcent de comprendre la relation entre les paramètres météorologiques et le COVID-19 en Guinée et ailleurs. L’étude aurait des implications substantielles pour diriger les activités de surveillance covid-19, avec une attention particulière au début de la saison des pluies, une période au cours de laquelle la température la plus basse et l’humidité la plus élevée sont enregistrées dans le pays. L’étude recommande l’intensification de la sensibilisation de masse pendant cette période. L’étude recommande également que les habitations et les chambres d’hôpital soient maintenues à une humidité relativement faible et à une température relativement élevée afin de minimiser la propagation du (SARS-CoV-2).
En outre, le cadre de modélisation épidémiologique incluant le climat pourrait conduire au développement d’un système d’alerte précoce pour la COVID-19 en Guinée et ailleurs.
Les auteurs expriment leurs gratitudes aux institutions et personnes suivantes : 1) le Service national de météorologie de Guinée (NMSG) pour avoir aidé à obtenir des données météorologiques ; 2) Au Laboratoire de Physique de l’Atmosphère et de l’Océan Siméon-Fongang (LPAO-SF) de l’Université Cheikh Anta Diop de Dakar pour l’accueil chaleureux et la création de conditions de travail idéales ; 3) Au Laboratoire d’Enseignement et de Recherche en Energétique Appliquée (LEREA) de l’Université Gamal Abdel Nasser de Conakry pour la mise en place d’une collaboration fructueuse entre les deux instituts ; 4) Copperbelt University, School of Natural Resource, Department: Plant and Environmental science, Zambia; 5) NOAA Center for Weather and Climate Prediction, 5830 University Research Court, College Park, Maryland, États-Unis; 6) À tous les superviseurs et collègues des différents Laboratoires pour le bon esprit de collaboration qui a caractérisé la conduite des activités de recherche; 7) Un merci spécial aux examinateurs anonymes pour leurs commentaires constructifs.
Conflits d’intérêts
Les auteurs ne déclarent aucun conflit d’intérêts concernant la publication de cet article.
[1] | Ma, Y., Zhao, Y., Liu, J., He, X., Wang, B., Fu, S., et al. (2020) Effects of Temperature Variation and Humidity on the Death of COVID-19 in Wuhan, China. Science de l’environnement total, 724, Numéro d’article: 138226. https://doi.org/10.1016/j.scitotenv.2020.138226 |
[2] | Gorbalenya, A. E., Baker, S.C., Baric, R., Groot, R. J. D., Drosten, C., Gulyaeva, A. A., et al. (2020) Severe Acute Respiratory Syndrome-Related Coronavirus: The Species and Its Viruses—A Statement of the Coronavirus Study Group. bioRxiv. https://doi.org/10.1101/2020.02.07.937862 |
[3] | Wu, F., Zhao, S., Yu, B., Chen, Y.M., Wang, W., Song, Z.G., et al. (2020) A New Coronavirus Associated with Human Respiratory Disease in China. Nature, 579, 265-269. https://www.nature.com/articles/s41586-020-2008-3 https://doi.org/10.1038/s41586-020-2008-3 |
[4] | Zhou, F., Yu, T., Du, R., Fan, G., Liu, Y., Liu, Z., et coll. (2020) Clinical Course and Risk Factors for Mortality of Adult Inpatients with COVID-19 in Wuhan, China: A Retrospective Cohort Study. The Lancet, 395, 1054-1062. https://doi.org/10.1016/S0140-6736(20)30566-3 |
[5] | Jiang, F., Deng, L., Zhang, L., Cai, Y., Cheung, C.W. et Xia, Z. (2020) Examen des caractéristiques cliniques de la maladie à coronavirus 2019 (COVID-19). Journal of General Internal Medicine, 35, 1545-1549. https://doi.org/10.1007/s11606-020-05762-w |
[6] | Rodriguez-Morales, A.J., Bonilla-Aldana, D.K., Tiwari, R., Sah, R., Rabaan, A.A. and Dhama, K. (2020) COVID-19, an Emerging Coronavirus Infection: Current Scenario and Recent Developments—An Overview. Journal of Pure and Applied Microbiology, 14, article n° 6150. https://www.researchgate.net/profile/Alfonso_Rodriguez-Morales/publication/339848627 https://doi.org/10.22207/JPAM.14.1.02 |
[7] | Boukhatem, M.N. (2020) Épidémie de maladie à nouveau coronavirus 2019 (COVID-19) en Algérie: un nouveau défi pour la prévention. Journal of Community Medicine and Health Research, 5, article no 1035. |
[8] | Wang, C., Horby, P.W., Hayden, F.G. et Gao, G.F. (2020) A Novel Coronavirus Outbreak of Global Health Concern. The Lancet, 395, 470-473. https://doi.org/10.1016/S0140-6736(20)30185-9 |
[9] | Wang, M., Jiang, A., Gong, L., Luo, L., Guo, W., Li, C., et al. (2020) Temperature Significant Change COVID-19 Transmission in 429 Cities. MedRxiv. https://doi.org/10.1101/2020.02.22.20025791 |
[10] | Covid, C.D.C. et Team, R. (2020) Résultats graves chez les patients atteints de maladie à coronavirus 2019 (COVID-19) — États-Unis, 12 février-16 mars 2020. Morbidity and Mortality Weekly Report, 69, 343-346. https://doi.org/10.15585/mmwr.mm6912e2 |
[11] | Organisation mondiale de la Santé (2020) L’OMS qualifie la COVID-19 de pandémie. Organisation mondiale de la santé, Genève. https://www.who.int/emergencies/diseases/novel-coronavirus-2019/events-as-they-happen |
[12] | Organisation mondiale de la Santé (2020) Rapport de situation sur la maladie à coronavirus 2019 (COVID-19), n° 68. Organisation mondiale de la santé, Genève. https://www.who.int/docs/default-source/coronaviruse/situation-reports/20200328-sitrep-68-COVID-19.pdf?sfvrsn=384bc74c_2 |
[13] | Centre européen de prévention et de contrôle des maladies (2020) Télécharger les données historiques (jusqu’au 14 décembre 2020) sur le nombre quotidien de nouveaux cas et décès de COVID-19 signalés dans le monde. https://www.ecdc.europa.eu/en/publications-data/download-todays-data-geographic-distribution-COVID-19-cases-worldwide |
[14] | Brett Finlay, B., See, R.H. and Brunham, R.C. (2004) Rapid Response Research to Emerging Infectious Diseases: Lessons from SARS. Nature Reviews Microbiology, 2, 602-607. https://www.nature.com/articles/nrmicro930#appendices https://doi.org/10.1038/nrmicro930 |
[15] | Ji, W., Wang, W., Zhao, X., Zai, J. et Li, X. (2020) Transmission inter-espèces du coronavirus nouvellement identifié 2019-nCoV. Journal of Medical Virology, 92, 433-440. https://doi.org/10.1002/jmv.25682 |
[16] | Li, X., Song, Y., Wong, G. et Cui, J. (2020) Bat Origin of a New Human Coronavirus: There and Back again. Science China Life Sciences, 63, 461-462. https://doi.org/10.1007/s11427-020-1645-7 |
[17] | Thienemann, F., Pinto, F., Grobbee, D.E., Boehm, M., Bazargani, N., Ge, J. et Sliwa, K. (2020) Briefing de la Fédération mondiale du cœur sur la prévention: Maladie à coronavirus 2019 (COVID-19) dans les pays à faible revenu. Global Heart, 15, 31. https://doi.org/10.5334/gh.778 |
[18] | Amodio, E., Vitale, F., Cimino, L., Casuccio, A. and Tramuto, F. (2020) Outbreak of Novel Coronavirus (SARS-CoV-2): First Evidences from International Scientific Literature and Pending Questions. Soins de santé, 8, article n° 51. https://doi.org/10.3390/healthcare8010051 |
[19] | Wang, J., Tang, K., Feng, K. et Lv, W. (2020) Une température élevée et une humidité élevée réduisent la transmission de la COVID-19. arXiv: 2003.05003. |
[20] | Kudo, E., Song, E., Yockey, L.J., Rakib, T., Wong, P.W., Homer, R.J. and Iwasaki, A. (2019) Low Ambient Humidity Impairs Barrier Function and Innate Resistance against Influenza Infection. Proceedings of the National Academy of Sciences of the United States of America, 116, 10905-10910. https://doi.org/10.1073/pnas.1902840116 |
[21] | Price, R.H.M., Graham, C. et Ramalingam, S. (2019) Association entre la saisonnalité virale et les facteurs météorologiques. Rapports scientifiques, 9, article n° 929. https://doi.org/10.1038/s41598-018-37481-y |
[22] | Lowen, A.C. et Steel, J. (2014) Rôles de l’humidité et de la température dans la formation de la saisonnalité de la grippe. Journal of Virology, 88, 7692-7695. https://doi.org/10.1128/JVI.03544-13 |
[23] | Memarzadeh, B. et Mosallaei, H. (2011) Array of Planar Plasmonic Scatterers Functioning as Light Concentrator. Optics Letters, 36, 2569-2571. https://doi.org/10.1364/OL.36.002569 |
[24] | Tan, J., Mu, L., Huang, J., Yu, S., Chen, B. and Yin, J. (2005) An Initial Investigation of the Association between the SARS Outbreak and Weather: With the View of the Environmental Temperature and Its Variation. Journal of Epidemiology &Community Health, 59, 186-192. https://doi.org/10.1136/jech.2004.020180 |
[25] | Liu, J., Hua, D., Zhang, Y., Japip, S. and Chung, T.S. (2018) Precise Molecular Sieving Architectures with Janus Pathways for Both Polar and Nonpolar Molecules. Advanced Materials, 30, NUMÉRO D’ARTICLE: 1705933. https://doi.org/10.1002/adma.201705933 |
[26] | Agence nationale pour la sécurité sanitaire de Guinée (2020) Rapport du 3 avril 2020. https://anss-guinee.org/welcome/document |
[27] | Worldometers (2020) Cas et décès signalés par pays, territoire ou moyen de transport pour le 27 juin 2020. https://www.worldometers.info/coronavirus/#countries |
[28] | Loua, R.T., Bencherif, H., Mbatha, N., Bègue, N., Hauchecorne, A., Bamba, Z. et Sivakumar, V. (2019) Study on Temporal Variations of Surface Temperature and Rainfall at Conakry Airport, Guinea: 1960-2016. Climat, 7, article n° 93. https://doi.org/10.3390/cli7070093 |
[29] | Centre européen de prévention et de contrôle des maladies (2020), Communicable Disease Threats Report, 19-25 avril 2020, semaine 17. Centre européen de prévention et de contrôle des maladies, municipalité de Solna. https://www.ecdc.europa.eu/en/publications-data/communicable-disease-threats-report-19-25-april-2020-week-17 |
[30] | Sedgwick, P. (2012) Coefficient de corrélation de Pearson. BMJ, 345, e4483. https://doi.org/10.1136/bmj.e4483 |
[31] | Akoglu, H. (2018) Guide de l’utilisateur des coefficients de corrélation. Journal turc de médecine d’urgence, 18, 91-93. https://doi.org/10.1016/j.tjem.2018.08.001 |
[32] | Cohen, J. (1992) Statistical Power Analysis. Current Directions in Psychological Science, 1, 98-101. https://doi.org/10.1111/1467-8721.ep10768783 |
[33] | Sajadi, M.M., Habibzadeh, P., Vintzileos, A., Shokouhi, S., Miralles-Wilhelm, F. et Amoroso, A. (2020) Analyse de la température et de la latitude pour prédire la propagation potentielle et la saisonnalité de la COVID-19. Disponible à l’adresse SSRN 3550308. https://doi.org/10.2139/ssrn.3550308 |
[34] | Wang, Y., Wang, Y., Chen, Y. et Qin, Q. (2020) Caractéristiques épidémiologiques et cliniques uniques de la pneumonie émergente à nouveau coronavirus (COVID-19) de 2019 impliquant des mesures de contrôle spéciales. Journal of Medical Virology, 92, 568-576. https://doi.org/10.1002/jmv.25748 |
[35] | He, Z., Chin, Y., Huang, J., He, Y., Akinwunmi, B.O., Yu, S., et al. (2020) Meteorological Factors and Domestic New Cases of Coronavirus Disease (COVID-19) in nine Asian Cities: A Time-Series Analysis. MedRxiv. https://doi.org/10.1101/2020.04.15.20066613 |
[36] | Qi, H., Xiao, S., Shi, R., Ward, M.P., Chen, Y., Tu, W., et al. (2020) COVID-19 Transmission in Mainland China Is Associated with Temperature and Humidity: A Time-Series Analysis. Science of the Total Environment, 728, Numéro d’article: 138778. https://doi.org/10.1016/j.scitotenv.2020.138778 |
[37] | Prata, D.N., Rodrigues, W. et Bermejo, P.H. (2020) La température change considérablement la transmission de la COVID-19 dans les villes (sub)tropicales du Brésil. Science of the Total Environment, 729, Numéro d’article: 138862. https://doi.org/10.1016/j.scitotenv.2020.138862 |
[38] | Şahin, M. (2020) Impact de la météo sur la pandémie de COVID-19 en Turquie. Science of the Total Environment, 728, Numéro d’article: 138810. https://doi.org/10.1016/j.scitotenv.2020.138810 |
[39] | Poole, L. (2020) Influences saisonnières sur la propagation du SARS-CoV-2 (COVID19), causalité et capacité de prévision (3-15-2020). https://doi.org/10.2139/ssrn.3554746 |
[40] | Shi, S., Qin, M., Shen, B., Cai, Y., Liu, T., Yang, F., et coll. (2020) Association of Cardiac Injury with Mortality in Hospitalized Patients with COVID-19 in Wuhan, China. JAMA Cardiology, 5, 802-810. https://doi.org/10.1001/jamacardio.2020.0950 |
[41] | Auler, A.C., Cássaro, F.A.M., da Silva, V.O. and Pires, L.F. (2020) Evidence That High Temperatures and Intermediate Relative Humidity Might Favor the Spread of COVID-19 in Tropical Climate: A Case Study for the Most Affected Brazilian Cities. Science de l’environnement total, 729, Numéro d’article: 139090. https://doi.org/10.1016/j.scitotenv.2020.139090 |
[42] | Ahmadi, M., Sharifi, A., Dorosti, S., Ghoushchi, S.J. et Ghanbari, N. (2020) Investigation of Effective Climatology Parameters on COVID-19 Outbreak in Iran. Science of the Total Environment, 729, Numéro d’article: 138705. https://doi.org/10.1016/j.scitotenv.2020.138705 |
[43] | Bashir, M.F., Ma, B., Komal, B., Bashir, M.A., Tan, D. et Bashir, M. (2020) Corrélation entre les indicateurs climatiques et la pandémie de COVID-19 à New York, États-Unis. Science of the Total Environment, 728, Numéro d’article: 138835. https://doi.org/10.1016/j.scitotenv.2020.138835 |
[44] | Liu, J., Zhou, J., Yao, J., Zhang, X., Li, L., Xu, X., et al. (2020) Impact of Meteorological Factors on the COVID-19 Transmission: A Multi-City Study in China. Science de l’environnement total, 726, Numéro d’article: 138513. https://doi.org/10.1016/j.scitotenv.2020.138513 |
[45] | Tan, L., Wang, Q., Zhang, D., Ding, J., Huang, Q., Tang, Y.Q., et al. (2020) Lymphopenia Predicts Disease Severity of COVID-19: A Descriptive and Predictive Study. Transduction du signal et thérapie ciblée, 5, article n° 61. https://doi.org/10.1038/s41392-020-0159-1 |
[46] | Lin, K., Fong, D.Y.T., Zhu, B. and Karlberg, J. (2006) Environmental Factors on the SARS Epidemic: Air Temperature, Passage of Time and Multiplicative Effect of Hospital Infection. Epidemiology &Infection, 134, 223-230. https://doi.org/10.1017/S0950268805005054 |
[47] | Park, J.E., Son, W.S., Ryu, Y., Choi, S.B., Kwon, O. and Ahn, I. (2020) Effects of Temperature, Humidity, and Diurnal Temperature Range on Influenza Incidence in a Temperate Region. Influenza and Other Respiratory Viruses, 14, 11-18. https://doi.org/10.1111/irv.12682 |
[48] | Tosepu, R., Gunawan, J., Effendy, D.S., Lestari, H., Bahar, H. et Asfian, P. (2020) Corrélation entre le temps et la pandémie de COVID-19 à Jakarta, en Indonésie. Science of the Total Environment, 725, Numéro d’article: 138436. https://doi.org/10.1016/j.scitotenv.2020.138436 |
[49] | Yao, Y., Pan, J., Liu, Z., Meng, X., Wang, W., Kan, H. et Wang, W. (2020) No Association of COVID-19 Transmission with Temperature or UV Radiation in Chinese Cities. European Respiratory Journal, 55, 2000517. https://doi.org/10.1183/13993003.00517-2020 |
[50] | Lin, J., Huang, W., Wen, M., Li, D., Ma, S., Hua, J. et Zhang, Q. (2020) Contenant la propagation de la maladie à coronavirus 2019 (COVID-19): Facteurs météorologiques et stratégies de contrôle. Science de l’environnement total, 744, Numéro d’article: 140935. https://doi.org/10.1016/j.scitotenv.2020.140935 |