Mobile Phone “Hot Spots” An obstacle to developing effective national malaria control programs is a lack of understanding of human movements, which are an important component of disease transmission. As mobile phones have become increasingly ubiquitous, it is now possible to collect individual-level, longitudinal data on human movements on a massive scale. Wesolowski et al. (p. 267 ) analyzed mobile phone call data records representing the travel patterns of 15 million mobile phone owners in Kenya over the course of a year. This was combined with a detailed malaria risk map, to estimate malaria parasite movements across the country that could be caused by human movement. This information enabled detailed analysis of parasite sources and sinks between hundreds of local settlements. Estimates were compared with hospital data from Nairobi to show that local pockets of transmission likely occur around the periphery of Nairobi, accounting for locally acquired cases, contrary to the accepted idea that there is no transmission in the capital.

Quantifying the effect of natural disasters on society is critical for recovery of public health services and infrastructure. The death toll can be difficult to assess in the aftermath of a major disaster. In September 2017, Hurricane Maria caused massive infrastructural damage to Puerto Rico, but its effect on mortality remains contentious. The official death count is 64.

Significance Dengue virus has rapidly spread into new human populations due to human travel and changing suitability for the mosquito vector, causing severe febrile illness and significant mortality. Accurate predictive models identifying changing vulnerability to dengue outbreaks are necessary for epidemic preparedness and containment of the virus. Here we show that an epidemiological model of dengue transmission in travelers, based on mobility data from ∼40 million mobile phone subscribers and climatic information, predicts the geographic spread and timing of epidemics throughout the country. We generate fine-scale dynamic risk maps with direct application to dengue containment and epidemic preparedness.

As the coronavirus disease 2019 (COVID-19) epidemic worsens, understanding the effectiveness of public messaging and large-scale social distancing interventions is critical. The research and public health response communities can and should use population mobility data collected by private companies, with appropriate legal, organizational, and computational safeguards in place. When aggregated, these data can help refine interventions by providing near real-time information about changes in patterns of human movement.

Wrong but Useful Mechanistic epidemiologic models are designed to help us systematically examine the implications of various assumptions about a highly nonlinear process that is hard to predict usi...

Urban socioeconomics and mortality Santiago, Chile, is a highly segregated city with distinct zones of affluence and deprivation. This setting offers a window on how social factors propel the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) pandemic in an economically vulnerable society with high levels of income inequality. Mena et al. analyzed incidence and mortality attributed to SARS-CoV-2 to understand spatial variations in disease burden. Infection fatality rates were higher in lower-income municipalities because of comorbidities and lack of access to health care. Disparities between municipalities in the quality of their health care delivery system became apparent in testing delays and capacity. These indicators explain a large part of the variation in COVID-19 underreporting and deaths and show that these inequalities disproportionately affected younger people. Science , abg5298, this issue p. eabg5298

Strategies for containing an emerging infectious disease outbreak must be nonpharmaceutical when drugs or vaccines for the pathogen do not yet exist or are unavailable. The success of these nonpharmaceutical strategies will depend on not only the effectiveness of isolation measures but also the epidemiological characteristics of the infection. However, there is currently no systematic framework to assess the relationship between different containment strategies and the natural history and epidemiological dynamics of the pathogen. Here, we compare the effectiveness of quarantine and symptom monitoring, implemented via contact tracing, in controlling epidemics using an agent-based branching model. We examine the relationship between epidemic containment and the disease dynamics of symptoms and infectiousness for seven case-study diseases with diverse natural histories, including Ebola, influenza A, and severe acute respiratory syndrome (SARS). We show that the comparative effectiveness of symptom monitoring and quarantine depends critically on the natural history of the infectious disease, its inherent transmissibility, and the intervention feasibility in the particular healthcare setting. The benefit of quarantine over symptom monitoring is generally maximized for fast-course diseases, but we show the conditions under which symptom monitoring alone can control certain outbreaks. This quantitative framework can guide policymakers on how best to use nonpharmaceutical interventions and prioritize research during an outbreak of an emerging pathogen.

The rapid adoption of mobile phone technologies in Africa is offering exciting opportunities for engaging with high-risk populations through mHealth programs, and the vast volumes of behavioral data being generated as people use their phones provide valuable data about human behavioral dynamics in these regions. Taking advantage of these opportunities requires an understanding of the penetration of mobile phones and phone usage patterns across the continent, but very little is known about the social and geographical heterogeneities in mobile phone ownership among African populations. Here, we analyze a survey of mobile phone ownership and usage across Kenya in 2009 and show that distinct regional, gender-related, and socioeconomic variations exist, with particularly low ownership among rural communities and poor people. We also examine patterns of phone sharing and highlight the contrasting relationships between ownership and sharing in different parts of the country. This heterogeneous penetration of mobile phones has important implications for the use of mobile technologies as a source of population data and as a public health tool in sub-Saharan Africa.

Mobile phone data are increasingly being used to quantify the movements of human populations for a wide range of social, scientific and public health research. However, making population-level inferences using these data is complicated by differential ownership of phones among different demographic groups that may exhibit variable mobility. Here, we quantify the effects of ownership bias on mobility estimates by coupling two data sources from the same country during the same time frame. We analyse mobility patterns from one of the largest mobile phone datasets studied, representing the daily movements of nearly 15 million individuals in Kenya over the course of a year. We couple this analysis with the results from a survey of socioeconomic status, mobile phone ownership and usage patterns across the country, providing regional estimates of population distributions of income, reported airtime expenditure and actual airtime expenditure across the country. We match the two data sources and show that mobility estimates are surprisingly robust to the substantial biases in phone ownership across different geographical and socioeconomic groups.