Modelling mitigation strategies for pandemic (H1N1) 2009
Notice bibliographique
Résumé
BACKGROUND: The 2009 influenza A (H1N1) pandemic has required decision-makers to act in the face of substantial uncertainties. Simulation models can be used to project the effectiveness of mitigation strategies, but the choice of the best scenario may change depending on model assumptions and uncertainties. METHODS: We developed a simulation model of a pandemic (H1N1) 2009 outbreak in a structured population using demographic data from a medium-sized city in Ontario and epidemiologic influenza pandemic data. We projected the attack rate under different combinations of vaccination, school closure and antiviral drug strategies (with corresponding "trigger" conditions). To assess the impact of epidemiologic and program uncertainty, we used "combinatorial uncertainty analysis." This permitted us to identify the general features of public health response programs that resulted in the lowest attack rates. RESULTS: Delays in vaccination of 30 days or more reduced the effectiveness of vaccination in lowering the attack rate. However, pre-existing immunity in 15% or more of the population kept the attack rates low, even if the whole population was not vaccinated or vaccination was delayed. School closure was effective in reducing the attack rate, especially if applied early in the outbreak, but this is not necessary if vaccine is available early or if pre-existing immunity is strong. INTERPRETATION: Early action, especially rapid vaccine deployment, is disproportionately effective in reducing the attack rate. This finding is particularly important given the early appearance of pandemic (H1N1) 2009 in many schools in September 2009.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».