Estimating internationally imported cases during the early COVID-19 pandemic
Notice bibliographique
Résumé
Early in the COVID-19 pandemic, when cases were predominantly reported in the city of Wuhan, China, local outbreaks in Europe, North America, and Asia were largely predicted from imported cases on flights from Wuhan, potentially missing imports from other key source cities. Here, we account for importations from Wuhan and from other cities in China, combining COVID-19 prevalence estimates in 18 Chinese cities with estimates of flight passenger volume to predict for each day between early December 2019 to late February 2020 the number of cases exported from China. We predict that the main source of global case importation in early January was Wuhan, but due to the Wuhan lockdown and the rapid spread of the virus, the main source of case importation from mid February became Chinese cities outside of Wuhan. For destinations in Africa in particular, non-Wuhan cities were an important source of case imports (1 case from those cities for each case from Wuhan, range of model scenarios: 0.1-9.8). Our model predicts that 18.4 (8.5 - 100) COVID-19 cases were imported to 26 destination countries in Africa, with most of them (90%) predicted to have arrived between 7th January (±10 days) and 5th February (±3 days), and all of them predicted prior to the first case detections. We finally observed marked heterogeneities in expected imported cases across those locations. Our estimates shed light on shifting sources and local risks of case importation which can help focus surveillance efforts and guide public health policy during the final stages of the pandemic. We further provide a time window for the seeding of local epidemics in African locations, a key parameter for estimating expected outbreak size and burden on local health care systems and societies, that has yet to be defined in these locations.
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 | 0,088 |
| 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 | 0,001 | 0,003 |
| 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 ».