Notice bibliographique
Résumé
Individual-level models (ILMs) of infectious disease spread are a system of statistical models which can be used to model infectious disease transmission through a population in discrete-time. These models allow researchers to incorporate risk factors at the individual level; thus they are suited for modeling epidemics spatially. Individuals, here, may refer to people, animals, or plants, or aggregated units such as animals on a farm or students in a school. ILMs are usually fitted to data within a Bayesian statistical framework using Markov chain Monte Carlo (MCMC) methods. Ideally, covariate data and the infection status of individuals over time would be used to obtain parameter estimates for the ILMs. However, owing to various practical reasons, there are often situations in which the collection of infectious disease data at the individual level is infeasible. Instead, infectious disease data is collected at a regional level (e.g. a level which actually consists of spatially aggregated sets of individual units), such as health units or census regions. Therefore, it is reasonable to assume that the infectivity of such aggregated units varies as the status of infectiousness (i.e. the number/proportion of infectious individuals) within the aggregated unit changes. In the thesis, ILMs are extended to allow for time-varying susceptibility, infectivity and contact functions. A series of time-varying infectivity ILMs (TVI-ILMs) are then developed for the problem of modeling disease spread at the regional level. A method of carrying out model comparison and assessment based on the use of probability scoring rules is also developed and explored. Finally, the TVI-ILMs are extended to allow for infectivity curves that are dependent on regional-level covariates. Models and methods are tested on a combination of simulated epidemic data, and data from the 2009 H1N1 influenza pandemic collected in Southern Ontario.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».