Age-structure and transient dynamics in epidemiological systems
Notice bibliographique
Résumé
Mathematical models of childhood diseases date back to the early twentieth century. In several cases, models that make the simplifying assumption of homogeneous time-dependent transmission rates give good agreement with data in the absence of secular trends in population demography or transmission. The prime example is afforded by the dynamics of measles in industrialized countries in the pre-vaccine era. Accurate description of the transient dynamics following the introduction of routine vaccination has proved more challenging, however. This is true even in the case of measles which has a well-understood natural history and an effective vaccine that confers long-lasting protection against infection. Here, to shed light on the causes of this problem, we demonstrate that, while the dynamics of homogeneous and age-structured models can be qualitatively similar in the absence of vaccination, they diverge subsequent to vaccine roll-out. In particular, we show that immunization induces changes in transmission rates, which in turn reshapes the age distribution of infection prevalence, which effectively modulates the amplitude of seasonality in such systems. To examine this phenomenon empirically, we fit transmission models to measles notification data from London that span the introduction of the vaccine. We find that a simple age-structured model provides a much better fit to the data than does a homogeneous model, especially in the transition period from the pre-vaccine to the vaccine era. Thus, we propose that age structure and heterogeneities in contact rates are critical features needed to accurately capture transient dynamics in the presence of secular trends.
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 | 0,002 | 0,002 |
| 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 | 0,001 |
| 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 ».