MétaCan
Menu
Retour à la cohorte
Enregistrement W3047428955 · doi:10.1051/mmnp/2020032

Analysis of the age-structured epidemiological characteristics of SARS-COV-2 transmission in mainland China: An aggregated approach

2020· article· en· W3047428955 sur OpenAlexaff
Junyuan Yang, Guoqiang Wang, Shuo Zhang, Fei Xu, Xue-Zhi Li

Notice bibliographique

RevueMathematical Modelling of Natural Phenomena · 2020
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesNational Natural Science Foundation of China
Mots-clésDemographyMainland ChinaChinaAge groupsTransmission (telecommunications)PopulationGeographySevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)EpidemiologyMedicineCoronavirus disease 2019 (COVID-19)Internal medicineDisease

Résumé

récupéré en direct d'OpenAlex

The novel coronavirus (SARS-Cov-2) has raged in mainland China for nearly three months resulting in a huge threat to people’s health and economic development. According to the cumulative numbers of confirmed cases and deathes of SARS-COV-2 infection announced by the National Health Commission of China, we divided the human population into four subgroups including the adolescents group (0–19 yr old), the youth group (20–49 yr old), the middle-aged group (50–74 yr old) and the elderly group (over 75 yr old), and proposed a discrete age-structured SEIHRQ SARS-COV-2 transmission model. We utilized contact matrixes to describe the contact heterogeneities and correlations among different age groups. Adopting the Markov chain Monte Carlo (MCMC) algorithm, we identified the parameters of the model and fitted the confirmed cases from January 24th to March 31st. Through a more in-depth study, we showed that before January 28th (95% CI [Feb. 25th, Feb. 31st]), the effective reproduction number was greater than 1 and after that day its value was less than 1. Moreover, we estimated that the peak values of infection were 66 (95% CI [65,67]) for the adolescents, 3996 (95% CI [3957,4036]) for the young group, 14714 (95% CI [14692,14735]) for middle-aged group and 297 (95% CI [295,300]) for elderly people, respectively; the proportions of the final sizes of SARS-COV-2 infection accounted for less than 90% for each group. We found that under the current restricted control strategies, the most severe and high-risk group was middle-aged people aged between 50–74 yr old; without any prevention, the most severe and high-risk group had become the young adults aged 20–49 yr old.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,057

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,253
Tête enseignante GPT0,371
Écart entre enseignants0,118 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMathematical Modelling of Natural PhenomenaMême sujetCOVID-19 epidemiological studiesTravaux en français237 207