Geostatistics analyzes and predicts the values associated with spatial or spatial-temporal phenomena. It incorporates the spatial (and in some cases temporal) coordinates of the data within the analyses. It is a practical means of describing spatial patterns and interpolating values for locations where samples were not taken (and measures the uncertainty of those values, which is critical to informed decision making). This archive contains results of geostatistical analysis of COVID-19 case counts for all available US counties. Test results were obtained with ArcGIS Pro (ESRI). Sources are state health departments, which are scraped and aggregated by the Johns Hopkins Coronavirus Resource Center and then pre-processed by MappingSupport.com.

This update of the Zenodo dataset (version 6) consists of three compressed archives containing geostatistical analyses of SARS-CoV-2 testing data. This dataset utilizes many of the geostatistical techniques used in previous versions of this Zenodo archive, but has been significantly expanded to include analyses of up-to-date U.S. COVID-19 case data (from March 24th to September 8^th, 2020):

Archive #1: “1.Geostat. Space-Time analysis of SARS-CoV-2 in the US (Mar24-Sept6).zip” – results of a geostatistical analysis of COVID-19 cases incorporating spatially-weighted hotspots that are conserved over one-week timespans. Results are reported starting from when U.S. COVID-19 case data first became available (March 24^th, 2020) for 25 consecutive 1-week intervals (March 24th through to September 6th, 2020). Hotspots, where found, are reported in each individual state, rather than the entire continental United States.

Archive #2: "2.Geostat. Spatial analysis of SARS-CoV-2 in the US (Mar24-Sept8).zip" – the results from geostatistical spatial analyses only of corrected COVID-19 case data for the continental United States, spanning the period from March 24^th through September 8th, 2020. The geostatistical techniques utilized in this archive includes ‘Hot Spot’ analysis and ‘Cluster and Outlier’ analysis.

Archive #3: "3.Kriging and Densification of SARS-CoV-2 in LA and MA.zip" – this dataset provides preliminary kriging and densification analysis of COVID-19 case data for certain dates within the U.S. states of Louisiana and Massachusetts.

These archives consist of map files (as both static images and as animations) and data files (including text files which contain the underlying data of said map files [where applicable]) which were generated when performing the following Geostatistical analyses: Hot Spot analysis (Getis-Ord Gi*) [‘Archive #1’: consecutive weeklong Space-Time Hot Spot analysis; ‘Archive #2’: daily Hot Spot Analysis], Cluster and Outlier analysis (Anselin Local Moran's I) [‘Archive #2’], Spatial Autocorrelation (Global Moran's I) [‘Archive #2’], and point-to-point comparisons with Kriging and Densification analysis [‘Archive #3’].

The Word document provided ("Description-of-Archive.Updated-Geostatistical-Analysis-of-SARS-CoV-2 (version 6).docx") details the contents of each file and folder within these three archives and gives general interpretations of these results.

No final de 2019 foram registados os primeiros casos de infeção por SARS-CoV-2 em humanos na cidade de Wuhan, na China. A 12 de março de 2020 a OMS declarou o COVID-19 como doença pandémica, pois até à data tinha atingido 117 países em mais de um continente e causado mais de 4 mil mortes. A 27 de dezembro de 2020, o número de casos confirmados acumulados desde o início da pandemia ultrapassou os 79 milhões, tendo até então morrido mais de 1 milhão e 700 mil pessoas em todo o mundo infetadas pelo SARS-CoV-2. Em Portugal Continental, à mesma data, o número de indivíduos infetados pelo vírus ultrapassou 390 mil, e o número de óbitos era superior a 6 mil.Os casos de infeção e epidemias recentes mostram que os coronavírus são uma ameaça contínua ao ser humano e à economia, por surgirem inesperadamente, disseminando-se facilmente, levando a consequências catastróficas. As ameaças à sobrevivência, subsistência e bem-estar das pessoas provocadas pelo SARS-CoV-2 ilustram como a pandemia é uma questão multidisciplinar em que a economia é uma vertente que a saúde pública tem que ter em conta, uma vez que é determinante na Saúde das Populações. Além da perda devastadora de vidas, a COVID-19 resultou num aumento do desemprego e numa crise económica global e multifacetada. Apesar de terem sido desenvolvidas vacinas para o SARS-CoV-2, estas presentemente ainda não garantem uma imunidade total à doença. Assim, uma vez que o processo de vacinação é moroso, é fundamental a identificação do padrão de evolução espaciotemporal da prevalência do SARS-CoV-2. Para além disso, o SARS-CoV-2 é suscetível a sofrer mutações que consistem em mudanças da sequência genética, originando novas variantes. As variantes podem diferir umas das outras conforme o número de mutações, denominando-se por estirpes. Os vírus mudam constantemente de dois modos: a deriva antigénica e mudança antigénica. Assim, o SARS-CoV-2 também é propenso a várias mutações que resultam na deriva antigénica, o que pode dificultar o reconhecimento imunológico. Embora as vacinas sejam uma ferramenta eficiente, nenhuma delas é 100% eficaz na prevenção da doença do COVID-19, sendo que uma percentagem da população imunizada continuará a adoecer a diferentes graus de gravidade.As análises espaciais, espaciotemporais permitem auxiliar a definição de estratégias preventivas para tomada de decisão, permitindo estimar os padrões espaciotemporais de uma epidemia. Os sistemas de apoio à decisão espacial têm se tornado cada vez mais importantes na gestão de risco na área da saúde.Para a execução da análise espacial foram recolhidos dados epidemiológicos do número de casos confirmados COVID-19 e dados de mobilidade. Os dados do número de casos confirmados de COVID-19 foram recolhidos do site da Direção Geral de Saúde (DGS). Estes dados foram tratados de modo a possibilitar a junção ao tema dos municípios como contantes na Carta administrativa Oficial de Portugal (CAOP), de forma a serem representados espacialmente. Os dados de mobilidade foram recolhidos do Instituto Nacional de Estatística (INE) para a data dos Censos 2011. Estes dados representam a origem e destino dos movimentos pendulares (casa-trabalho/escola) entre municípios. O tratamento destes dados consistiu na elaboração de uma tabela dinâmica de modo a quantificar as pessoas que se deslocam do município x para cada um dos restantes municípios. Posteriormente, fez-se a transposta da tabela dinâmica ficando assim em formato de matriz e codificaram-se os municípios de modo a obter uma matriz de origem-destino de acordo com a estrutura requerida pelo software ArcMap.Para a elaboração da análise espaciotemporal foram recolhidos dados do número de casos confirmados COVID-19 por município, de julho de 2020 a julho de 2021. Estes dados foram recolhidos do repositório Data Science for Social Good Portugal, que por sua vez tem como fonte o dashboard da DGS e da base de dados da ESRI Portugal, e são obtidos dos valores de incidência a 14 dias, representando o número de casos acumulados das duas semanas anteriores por 10 mil habitantes.A metodologia adotada foi aplicada com recurso aos seguintes softwares: Excel, do Office 365; ArcMap 10.7.1, e ArcGIS Pro da ESRI. Em primeiro lugar foi efetuada a análise espacial com recurso a dois métodos: o Getis-Ord Gi* e o Local Moran’s Index. O método Getis-Ord Gi*, também conhecido como análise de hotspots. Esta estatística é aplicada aos locais vizinhos e tem em consideração o seu ‘peso’. Este método estatístico permite detetar a presença de autocorrelações espaciais locais, ou seja, hotspots e coldspots baseados nos outputs Z-score e P-value. O método Cluster and Outlier Analysis (Anselin Local Moran’s I) permite identificar clusters locais bem como outliers espaciais locais. Este método considera que, com os pesos padronizados por linha, a soma de todos os pesos é igual ao número de observações. Uma vez que Hotspots Analysis (Getis-Ord Gi*) e Cluster and Outlier Analysis (Anselin Local Moran’s I) podem identificar diferentes padrões de clusters, optou-se por utilizar um método híbrido de autocorrelação espacial de modo a avaliar a autocorrelação espacial do número de casos e identificar padrões de clusters espaciais. Para aplicar o método híbrido, juntou-se o resultado de cada um dos métodos numa layer e criou-se uma coluna na tabela de atributos de modo a cruzar os resultados de ambos. Através do output ZScore aplicaram-se condições para criar quatro classes.Realizou-se uma análise espaciotemporal de modo a possibilitar a visualização e a análise dos dados espaciais a partir de uma serie temporal, que integra uma análise do padrão espacial e temporal e permite a visualização em 2D e a 3D. Esta foi realizada através da aplicação da estatística de Mann-Kendall, que assume como hipótese nula os dados que provêm de uma população com realizações independentes e são distribuídos de forma idêntica.Ao aplicar os métodos acima mencionados, verificou-se que a maioria dos hotspots dos casos de SARS-CoV-2 ocorrem nos municípios das Áreas Metropolitanas. No entanto, após a aplicação de medidas de restrição à mobilidade estes ocorrem em municípios do interior. No que diz respeito à análise espaciotemporal, esta identificou a maioria dos municípios como oscillating hotspots, o que corrobora a ideia apresentada anteriormente.