Optimisation of Non-Pharmaceutical Measures in COVID-19 Growth via Neural Networks
Notice bibliographique
Résumé
measures. However, some have, through a different timeline of actions, prevented this exponential growth. Currently as some continue to tackle growth, others attempt to safely lift restrictions whilst avoiding a resurgence. This study seeks to quantify the impact of government actions in mitigating viral transmission of SARS-CoV-2 by a novel soft computing approach that makes concurrent use of a neural network model, to predict the daily slope increase of cumulative infected, and an optimiser, with a parametrisation of the government restriction time series, to understand the best set of mitigating actions. Data for two territories, Italy and Taiwan, have been gathered to model government restrictions in travelling, testing and enforcement of social distance measures as well as people connectivity and adherence to government actions. It is found that a larger and earlier testing campaign with tighter entry restrictions benefit both regions, resulting in significantly less confirmed cases. Interestingly, this scenario couples with an earlier but milder implementation of nationwide restrictions for Italy, thus supporting Taiwan's lack of nationwide lockdown, i.e. earlier government actions could have contained the growth to a degree that a widespread lockdown would have been avoided, or at least delayed. The results, found with a purely data-driven approach, are in line with the main findings of mathematical epidemiological models, proving that the proposed approach has value and that the data alone contains valuable knowledge to inform decision makers.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| 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 ».