Time-varying and state-dependent recovery rates in epidemiological models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Differential equation models of infectious disease have undergone many theoretical extensions that are invaluable for the evaluation of disease spread. For instance, while one traditionally uses a bilinear term to describe the incidence rate of infection, physically more realistic generalizations exist to account for effects such as the saturation of infection. However, such theoretical extensions of recovery rates in differential equation models have only started to be developed. This is despite the fact that a constant rate often does not provide a good description of the dynamics of recovery and that the recovery rate is arguably as important as the incidence rate in governing the dynamics of a system. We provide a first-principles derivation of state-dependent and time-varying recovery rates in differential equation models of infectious disease. Through this derivation, we demonstrate how to obtain time-varying and state-dependent recovery rates based on the family of Pearson distributions and a power-law distribution, respectively. For recovery rates based on the family of Pearson distributions, we show that uncertainty in skewness, in comparison to other statistical moments, is at least two times more impactful on the sensitivity of predicting an epidemic's peak. In addition, using recovery rates based on a power-law distribution, we provide a procedure to obtain state-dependent recovery rates. For such state-dependent rates, we derive a natural connection between recovery rate parameters with the mean and standard deviation of a power-law distribution, illustrating the impact that standard deviation has on the shape of an epidemic wave.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 découle