Mathematical modelling of COVID-19 transmission and mitigation strategies in the population of Ontario, Canada
Notice bibliographique
Résumé
BACKGROUND: Physical-distancing interventions are being used in Canada to slow the spread of severe acute respiratory syndrome coronavirus 2, but it is not clear how effective they will be. We evaluated how different nonpharmaceutical interventions could be used to control the coronavirus disease 2019 (COVID-19) pandemic and reduce the burden on the health care system. METHODS: We used an age-structured compartmental model of COVID-19 transmission in the population of Ontario, Canada. We compared a base case with limited testing, isolation and quarantine to scenarios with the following: enhanced case finding, restrictive physical-distancing measures, or a combination of enhanced case finding and less restrictive physical distancing. Interventions were either implemented for fixed durations or dynamically cycled on and off, based on projected occupancy of intensive care unit (ICU) beds. We present medians and credible intervals from 100 replicates per scenario using a 2-year time horizon. RESULTS: We estimated that 56% (95% credible interval 42%-63%) of the Ontario population would be infected over the course of the epidemic in the base case. At the epidemic peak, we projected 107 000 (95% credible interval 60 760-149 000) cases in hospital (non-ICU) and 55 500 (95% credible interval 32 700-75 200) cases in ICU. For fixed-duration scenarios, all interventions were projected to delay and reduce the height of the epidemic peak relative to the base case, with restrictive physical distancing estimated to have the greatest effect. Longer duration interventions were more effective. Dynamic interventions were projected to reduce the proportion of the population infected at the end of the 2-year period and could reduce the median number of cases in ICU below current estimates of Ontario's ICU capacity. INTERPRETATION: Without substantial physical distancing or a combination of moderate physical distancing with enhanced case finding, we project that ICU resources would be overwhelmed. Dynamic physical distancing could maintain health-system capacity and also allow periodic psychological and economic respite for populations.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».