Awareness-driven Behavior Changes Can Shift the Shape of Epidemics Away from Peaks and Towards Plateaus, Shoulders, and Oscillations
Notice bibliographique
Résumé
The COVID-19 pandemic has caused more than 1,000,000 reported deaths globally, of which more than 200,000 have been reported in the United States as of October 1, 2020. Public health interventions have had significant impacts in reducing transmission and in averting even more deaths. Nonetheless, in many jurisdictions the decline of cases and fatalities after apparent epidemic peaks has not been rapid. Instead, the asymmetric decline in cases appears, in most cases, to be consistent with plateau- or shoulder-like phenomena – a qualitative observation reinforced by a symmetry analysis of US state-level fatality data. Here we explore a model of fatality-driven awareness in which individual protective measures increase with death rates. In this model, fast increases to the peak are often followed by plateaus, shoulders, and lag-driven oscillations. The asymmetric shape of model-predicted incidence and fatality curves are consistent with observations from many jurisdictions. Yet, in contrast to model predictions, we find that population-level mobility metrics usually increased from low early-outbreak levels before peak levels of fatalities. We show that incorporating fatigue and long-term behavior change can reconcile the apparent premature relaxation of mobility reductions and help understand when post-peak dynamics are likely to lead to a resurgence of cases.
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 | 0,001 | 0,006 |
| 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 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».