Spread of yellow fever virus outbreak in Angola and the Democratic Republic of the Congo 2015–16: a modelling study
Notice bibliographique
Résumé
BACKGROUND: Since late 2015, an epidemic of yellow fever has caused more than 7334 suspected cases in Angola and the Democratic Republic of the Congo, including 393 deaths. We sought to understand the spatial spread of this outbreak to optimise the use of the limited available vaccine stock. METHODS: We jointly analysed datasets describing the epidemic of yellow fever, vector suitability, human demography, and mobility in central Africa to understand and predict the spread of yellow fever virus. We used a standard logistic model to infer the district-specific yellow fever virus infection risk during the course of the epidemic in the region. FINDINGS: The early spread of yellow fever virus was characterised by fast exponential growth (doubling time of 5-7 days) and fast spatial expansion (49 districts reported cases after only 3 months) from Luanda, the capital of Angola. Early invasion was positively correlated with high population density (Pearson's r 0·52, 95% CI 0·34-0·66). The further away locations were from Luanda, the later the date of invasion (Pearson's r 0·60, 95% CI 0·52-0·66). In a Cox model, we noted that districts with higher population densities also had higher risks of sustained transmission (the hazard ratio for cases ceasing was 0·74, 95% CI 0·13-0·92 per log-unit increase in the population size of a district). A model that captured human mobility and vector suitability successfully discriminated districts with high risk of invasion from others with a lower risk (area under the curve 0·94, 95% CI 0·92-0·97). If at the start of the epidemic, sufficient vaccines had been available to target 50 out of 313 districts in the area, our model would have correctly identified 27 (84%) of the 32 districts that were eventually affected. INTERPRETATION: Our findings show the contributions of ecological and demographic factors to the ongoing spread of the yellow fever outbreak and provide estimates of the areas that could be prioritised for vaccination, although other constraints such as vaccine supply and delivery need to be accounted for before such insights can be translated into policy. FUNDING: Wellcome Trust.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».