介绍

2019冠状病毒病(COVID-19)全球大流行及其实施的应对政策对几乎所有居住在美国的人的心理、身体、情感和经济健康产生了重大影响。1，2。截至2021年6月17日，尽管美国在2020年3月颁布了“居家令”，并继续强调保持社交距离、卫生方法和接种疫苗，但美国仍有3300万例COVID-19确诊病例和60多万例死亡。截至2020年4月20日，42个州和哥伦比亚特区实施了居家建议或原地避难政策，影响了美国约96%的人口3.。虽然这些命令的目的是减少疾病传播，但却产生了意想不到的后果。这些命令迫使企业关闭，导致数百万人失业4。此外，遏制病毒传播所必需的物理距离也破坏了社会支持网络。这些因素加在一起，可能造成了一种可能增加与枪支有关的自杀的氛围5。此外，失业和财政紧张、计划外时间的增加以及药物滥用的增加可能导致冒险行为的增加，从而提高暴力犯罪的风险5，6。

一项对美国枪支购买的评估显示，在新冠肺炎“居家令”期间，购买枪支的犯罪背景调查数量大幅增加。从2020年3月到6月，联邦调查局对枪支购买进行了13674878次背景调查，与2019年同期相比增加了42%7。这表明，在疫情期间，美国人口中有更多的人获得枪支，而获得枪支与与枪支有关的自杀和凶杀的风险独立相关8。一项对16项观察性研究的荟萃分析发现，与没有获得枪支的参与者相比，有枪支的参与者的自杀率高出三倍，凶杀率高出两倍9。

尽管全球性暴力的风险因素有所增加，但一些城市报告的全球性暴力却出现了矛盾的下降，这可能是由于“居家令”。然而，其他城市的总体犯罪率正在迅速上升。最近的数据支持这样一种观点，即在美国一些城市，枪支暴力(GV)达到了历史最高水平。费城就是其中一个例子，2020年3月发生了141起枪击事件，“这是费城五年来[GV]最糟糕的三月。”10。此外，全球暴力造成的受伤人数从2014年的23,000人增加到2017年的31,000人;2018年降至2.8万人，2019年小幅上升至3万人，2020年大幅增至3.9万人。这些趋势与死亡人数相似(补充文件)1）11。到目前为止，还没有全面的研究系统地评估了美国所有州在COVID-19大流行期间的GV率和居家令。我们假设，与2019年大流行前相比，美国在COVID-19大流行期间的GV率会上升。

方法

数据源

枪支暴力档案(GVA)是一个独立的非营利组织，它收集了有关美国枪支暴力的全面而准确的信息11https://www.gunviolencearchive.org。GVA提供了2019年2月1日至2021年3月31日期间美国枪支相关伤亡的所有数据。这些数据是通过执法部门、媒体、政府和商业来源收集的，然后由独立研究人员进行核实。为了获得数据集，ESH按照GVA的指示填写了一份数据申请表。GVA提供了全面的逗号分隔值文件文件，整合了研究期间的所有枪支暴力事件。不需要与保密或数据使用有关的书面协议。有关日常事件的信息、事件地点(街道地址、城市和州)以及死亡或受伤人数是感兴趣的数据点。不需要许可，因为所有事件都是公开的，可以在网上免费获取。两位作者(ESH和AES)随机选择了1%的事件，并使用已发表的新闻报道和对事件的报道来验证数据的准确性。

约翰霍普金斯大学系统科学与工程中心(CSSE)的COVID-19仪表板提供了与COVID-19相关的免费数据4。州人口数据和其他人口特征(年龄、性别和种族)是从美国商务部人口普查局的数据库中提取的12。

结果和措施

主要研究结果是COVID - 19大流行期间与之前13个月期间的全球病毒感染率，包括州和国家层面。结果以强度比(IR)报告。全球暴力事件发生率以每100万人中与枪支有关的伤害和/或死亡的计数来衡量。次要结局是GV事件与州一级COVID-19病例数的相关性。

统计分析

我们的数据集包括从2019年1月1日到2021年3月31日，在50个州和哥伦比亚特区内的GV事件的每日计数。我们将这27个月期间的每日数据合并为两个月的数据(2019年1月1日至2019年1月15日;2019年1月16日至2019年1月31日;等)，得到54个时间间隔。虽然我们感兴趣的是比较2020年3月1日至2021年3月31日(大流行期间)的13个月与2019年2月1日至2020年2月29日(大流行之前)的13个月之间的GV率，但我们拟合了整个时间序列(2019年1月1日至2021年3月31日)以提高数值稳定性。

对于比较大流行前和大流行时期估计GV IR的初步分析，我们采用了一种广义线性混合效应模型，其形式为泊松回归分析，对具有以下模型特征的每个状态采用对数链接函数:

  • 作为偏移量的国家人口的对数

  • 三次多项式样条来模拟54个时间间隔内的事件率

  • 在第3、6、9、12、15、18、21和24个月的样条的结点

我们在广义线性混合效应模型的泊松回归中嵌入了一个三次多项式样条函数，以模拟27个月观察期(2019年1月1日至2021年3月31日)的GV计数。我们应用的三次多项式样条函数由9段组成，每3个月选择一个结点。让\ \ (t)表示自2019年1月1日起已经过的月数，以便\ (t \ \左[\ mathrm{0, 27} \右]\)，我们将结点指定为

$ $ {t} _{\离开(1 \右)}= 3,{t} _{\左(右2 \)}= 6,{t} _{\离开(3 \右)}= 9,{t} _{\左(4 \右)}= 12,{t} _{\左(5 \右)}= 15,{t} _{\左(6 \右)}= 18日{t} _{\左(7 \右)}= 21日{t} _{\左(8 \右)}= 24 $ $

模型中待估计的未知参数为截距参数\ \(左({\β}_ {0}\)\)，线性参数\ \(左({\β}_ {1}\)\)，二次参数\ \(左({\β}_ {2}\)\)，和9个立方参数\ \离开({\β}_{3(1)},{\β}_{3(2)}\点,{\β}_ {3 (9)}\)\)。表示GV计数为的指数值左(t \ (f \ \) \)在时间\ \ (t)，三次多项式样条函数为:

$ $ \{聚集}开始f \左(t \右)= \ beta_ {0} + t \ beta_ {1} + t ^ {2} \ beta_ {2} + t ^ {3} \ beta_{3 \离开(1 \右)}\ qquad 0 \ t \ le t_{\离开(1 \右)}识别\ hfill \ \ \开始{数组}{* c{20}}{左(t \右)= f \ \ beta_ {0} + t \ beta_ {1} + t ^ {2} \ beta_ {2} + t ^ {3} \ beta_{3左(1 \ \对吧 )} } \\ {\ 四\四\四+ \离开({t - t_{\离开(1 \右)}识别}\右)^{3}\离开({\ beta_{3 \左(右2 \)}- \ beta_{3 \离开(1 \右)}}\右)}\ \ \{数组}结束\四t_{\离开(1 \右)}识别\ t \ le t_{\识别(2开始\右)}\ hfill \ \ \{数组}{* c{20}}{左(t \右)= f \ \ beta_ {0} + t \ beta_ {1} + t ^ {2} \ beta_ {2} + t ^ {3} \ beta_{3左(1 \ \对吧 )} } \\ {\ 四\四\四+ \离开({t - t_{\离开(1 \右)}识别}\右)^{3}\离开({\ beta_{3 \左(右2 \)}- \ beta_{3 \离开(1 \右)}}\右)}\ \{\四\四\四+ \离开({t - t_{\左(右2 \)}识别}\右)^{3}\离开({\ beta_{3 \离开(3 \右)}- \ beta_{3 \左(右2 \)}}\右)}\ \ \{数组}结束\四t_{\左(右2 \)}识别\ t \ le t_{\离开(3 \右)}识别\hfill \\ \quad \quad \quad \quad \quad \vdots \hfill \\ \begin{array}{*{20}c} {f\left( t \right) = \beta_{0} + t\beta_{1} + t^{2} \beta_{2} + t^{3} \beta_{3\left( 1 \right)} } \\ {\quad \quad \quad + \left( {t - t_{\left( 1 \right)} } \right)^{3} \left( {\beta_{3\left( 2 \right)} - \beta_{3\left( 1 \right)} } \right)} \\ {\quad \quad \quad + \left( {t - t_{\left( 3 \right)} } \right)^{3} \left( {\beta_{3\left( 4 \right)} - \beta_{3\left( 3 \right)} } \right)} \\ {\quad \quad \quad + \left( {t - t_{\left( 4 \right)} } \right)^{3} \left( {\beta_{3\left( 5 \right)} - \beta_{3\left( 4 \right)} } \right)} \\ {\quad \quad \quad + \left( {t - t_{\left( 5 \right)} } \right)^{3} \left( {\beta_{3\left( 6 \right)} - \beta_{3\left( 5 \right)} } \right) } \\ {\quad \quad \quad + \left( {t - t_{\left( 6 \right)} } \right)^{3} \left( {\beta_{3\left( 7 \right)} - \beta_{3\left( 6 \right)} } \right) } \\ {\quad \quad \quad + \left( {t - t_{\left( 7 \right)} } \right)^{3} \left( {\beta_{3\left( 8 \right)} - \beta_{3\left( 7 \right)} } \right) } \\ {\quad \quad \quad + \left( {t - t_{\left( 8 \right)} } \right)^{3} \left( {\beta_{3\left( 9 \right)} - \beta_{3\left( 8 \right)} } \right) } \\ {} \\ \end{array} \quad t_{\left( 8 \right)} \le t \le 27 \hfill \\ \end{gathered}$$

在\ ({t} _{\离开(我\右)}\),我结点，\ (i = \ mathrm{1,2}, \点,8 \)，\ \ (f (t))具有以下属性:

  • \ (\ mathop lim} {\ \ nolimits_ {{t \向上光标键t_{{\离开(我\右)}}}}f \左(t \右)= \ mathop lim} {\ \ nolimits_ {{t \ downarrow t_{{\离开(我\右)}}}}f左(t \) \ \)

  • \ (\ mathop lim} {\ \ nolimits_ {{t \向上光标键t_{{\离开(我\右)}}}}f ^{\ '} \离开(文本{t}} {\ \ ){{ = }} \ mathop lim} {\ \ nolimits_ {{{{t}} \文本\ downarrow{\文本{t}} _{{\离开(文本{我}}{\ \右)}}}}{\文本{f}} ^{\ '} \离开(文本{t}} {\ \) \)

  • \ (\ mathop lim} {\ \ nolimits_ {{t \向上光标键t_{{\离开(我\右)}}}}f ^{\ ' \ '} \离开(文本{t}}{\ \右){{=}}\ mathop lim} {\ \ nolimits_{{{文本\ {t}} \ downarrow{\文本{t}} _{{\离开(文本{我}}{\ \右)}}}}{\文本{f}} ^{\ ' \ '} \离开(文本{t}} {\ \) \)

换句话说，左(t \ (f \ \) \)它的前两个导数在每个结点处都是连续的。

我们拟合三次多项式样条来解释每个州27个月期间事件发生率的曲线变化。作为典型的三次多项式样条，我们施加平滑条件，使样条及其前两个导数在结点处连续。

接下来，我们在基于模型估计的基础上构建检验统计量，构建24个不同的比较:

  • 2020年3月1日至2020年3月15日与2019年3月1日至2019年3月15日

  • 2020年3月16日至2020年3月31日与2019年3月16日至2019年3月31日

  • …

  • 2021年2月16日至2021年2月28日，与2020年2月16日至2020年2月29日

我们没有应用任何多重比较调整。更重要的是，我们对2020年3月1日至2021年3月31日的13个月大流行期与2019年2月1日至2020年2月29日的13个月大流行前期进行了全面比较。

对于美国的整体分析，我们采用了上述泊松回归分析形式的广义线性混合效应模型，并具有三个附加特征:

  • 一个一阶自回归过程，以解释跨时间间隔的相关性

  • 状态随机效应

  • 基于人口普查数据的四个协变量(每个州的年龄中位数、黑人-白人比例、西班牙裔-白人比例和男女比例)。

对于COVID-19病例数与GV事件数量相关性的次要结局，我们构建了一个数据集，其中包含2020年2月1日至2021年3月10日期间每个州的每日COVID-19病例数和GV病例数。构造了一个具有三次多项式函数的泊松回归形式的二元广义线性混合效应模型。该统计模型是双变量的，因为它同时分析了两组相关的纵向变量(COVID-19病例和枪支暴力事件)。为了分析每个州的数据，我们包含了一个与时间相关的二元变量(否/是)，以反映该州的居家秩序状态。为了分析美国整体数据，我们根据人口普查数据纳入了四个协变量(州的年龄中位数、黑人-白人比例、西班牙裔-白人比例和男女比例)。在所有这些双变量模型中，我们估计了COVID-19病例与枪支暴力事件之间的相关性。

利用空间相对风险面对大流行期间与大流行前的全球病毒的空间分布进行了比较13。空间相对风险面p < 0.01，其他分析p < 0.05。所有分析均使用R统计语言(R Development Core Team 2020 Version 3.0.6)和SAS Version 9.4进行

发表同意书

本研究不需要同意发表，因为我们没有使用任何与个体参与者相关的细节、图像或视频。

结果

我们发现，从2019年1月1日至2021年3月31日，美国发生了92731起导致受伤或死亡的枪支暴力事件。表格1按大流行前13个月和大流行前13个月统计的事件数。

表1该表表明，在大流行期间和大流行前期间，事件数量增加了31.2%。
全尺寸工作台

2019冠状病毒病大流行期间的枪支暴力风险

在国家层面，在2020年3月1日至2021年3月31日的13个月大流行期间，与2019年2月1日至2020年2月29日的大流行前的13个月期间相比，全球病毒感染的风险高出30% (IR = 1.30;95% ci 1.29, 1.32;p < 0.0001，图。1)。与基线期相比，在2020年3月1日至2021年3月31日的所有双月间隔中，美国的GV风险始终较高(图2)。1)。

图1
图1

大流行期间和之前的全球病毒强度间隔为两个月。两个月间特异性强度比(IR)及其GV的95%置信区间。森林图中的蓝色虚线表示零估计。IR大于1表明与大流行前相比，全球病毒during COVID-19大流行的强度更高。

全尺寸图像

与大流行前同期相比，大流行期间全球病毒风险显著较高的州包括:亚利桑那州、加利福尼亚州、科罗拉多州、康涅狄格州、特拉华州、哥伦比亚特区、佐治亚州、爱达荷州、伊利诺伊州、印第安纳州、爱荷华州、肯塔基州、路易斯安那州、密歇根州、明尼苏达州、密苏里州、蒙大拿州、内华达州、新泽西州、纽约州、北卡罗来纳州、俄亥俄州、俄勒冈州、宾夕法尼亚州、田纳西州、德克萨斯州、犹他州和威斯康星州。2)。相反，阿拉斯加是唯一一个在大流行期间显示出比大流行前更低的GV风险的州。在补充文件中报告了大流行期间与大流行前时期相比各州特定的双月全球病毒感染率的完整估计数1。

图2
图2

大流行期间和之前各国特有的全球病毒强度。状态特异性强度比(IR)及其GV的95%置信区间。森林图中的蓝色虚线表示零估计。IR大于1表示与大流行前相比，2019冠状病毒病大流行期间的全球传播强度higher更高。

全尺寸图像

我们使用事件的全球定位系统(GPS)坐标检查了GV的空间分布。部分地区存在GV高危区(p < 0.01)。这些空间集群是异质的(图2)。3.)。

图3
图3

大流行期间与大流行前枪支暴力的空间相对风险。该地图显示了通过比较大流行期间(2020年3月1日至2021年3月31日)与大流行前(2019年2月1日至2020年2月29日)的全球病毒事件的平滑强度来估计的强度(或风险)差异。若差值为~ 0，则GV风险与空间位置无关。风险空间差异的证据出现在强度不同的地方。差值> 0表示风险较高，差值< 0表示风险较低。虚线突出了大流行期间全球病毒感染风险明显较高的地区。

全尺寸图像

COVID-19病例与各州GV率的相关性

在相关分析中，总体上观察到COVID-19病例与GV率之间存在适度相关性(r = 0.32, p = 0.0001)。然而，在调整人口、平均年龄、性别比例和封锁令的多变量分析中，我们仅观察到夏威夷的COVID-19病例与GV之间存在相对较弱的正相关(r = 0.14;95% ci 0.04, 0.23;p = 0.006)。COVID-19病例与GV之间无其他状态有统计学意义的正相关。

讨论

我们发现，与大流行前相比，COVID-19大流行的时间框架与美国枪支暴力的增加之间存在很强的关联。我们发现28个州的GV发生率明显更高。尽管居家令和保持社会距离措施对于遏制COVID - 19的传播至关重要，但我们也需要意识到可能导致枪支暴力的意外社会和经济压力因素。

目前美国各地的GV增加可能归因于(1)COVID-19导致的心理压力增加或(2)枪支销售增加。最近的报告显示，美国与COVID-19相关的抑郁症状负担大幅增加14，15。这可能会导致与枪支有关的自杀事件增加。据推测，心理压力和抑郁症状可能是由于与家人和朋友保持身体距离的高度需要，从而限制了社会交往。我们的数据没有直接解决这个问题，但在同一时期也有反对种族不公正的抗议活动。尽管抗议活动基本上是和平的，但媒体报道了抗议者和反抗议者之间发生的枪击事件。

枪支获取渠道的增加是大流行期间全球暴力发生率较高的另一个合理原因。由于COVID-19大流行也导致企业关闭，由于公众恐慌和毫无根据的担心枪支将很快供不应求，国家即时犯罪背景调查系统(NICS)记录了枪支销售激增。据估计，与2019年3月相比，2020年3月的手枪销量增长了41%7。有几个州将这类商店认定为必不可少的业务，导致它们继续营业。

对公共卫生的影响

枪支暴力是一种经常被忽视的公共卫生流行病。在2019冠状病毒病大流行时期，枪支暴力事件激增，这清楚地提醒我们，我们不能再忽视它了。COVID-19大流行对儿童和年轻人的死亡威胁仍然很低，但与之不同的是，在这一人群中，被枪支杀死的威胁要严重得多。

优势与局限

我们的研究有几个优点和局限性。这是第一项报告美国在2019冠状病毒病大流行期间与枪支有关的事件发生率的研究，并将其与大流行前时期进行了比较。包括所有50个州向警方报告的所有事件的数据是该研究的另一个优势。由于事件、自回归协方差结构、非线性效应和非高斯分布之间的相互依存关系，我们在数据分析中使用的泊松三次多项式样条GLMM模型在估计时间和空间事件方面具有合适和优势，包括消除了时间和空间的混杂效应和非线性16。我们拟合的地理空间分析方法是颗粒状的。我们没有绘制特定于州的事件计数图，以避免数据聚集，从而防止生态谬误和可修改的面积单位问题。使用警方报告的一个限制是，在提交报告时，杀人/自杀案件的调查往往仍在进行中。因此，无法确定这些最近的事件是自杀还是他杀。此外，尽管我们调整了模型中的其他主要混杂因素(州的年龄中位数，州的种族构成)，但残留的混杂因素仍有可能存在，并可能使观察到的估计产生偏差。最后，我们用来估计GV风险的高阶多项式模型存在模型过拟合的缺点。尽管如此，我们的研究仍然很有力。这是同类报告中首次确定大流行期间与枪支有关的事件发生了重大变化，并利用事件的GPS定位估计了相对空间风险。

结论

总体而言，与疫情前同期相比，美国和各州在2019冠状病毒病大流行期间的枪支暴力发生率更高。