Assessing the risk of COVID-19 importation and the effect of quarantine
Notice bibliographique
Résumé
Abstract Objectives During the early stage of COVID-19 spread, many governments and regional jurisdictions put in place travel restrictions and imposed quarantine after arrivals in an effort to slow down or stop the importation of cases. At the same time, they implemented non-pharmaceutical interventions (NPI) to curtail local spread. We assess the risk of importation of COVID-19 in locations that are at that point without infection or where local chains of transmission have extinguished, and evaluate the role of quarantine in this risk. Methods A stochastic SLIAR epidemic model is used. The effect of the rate, size, and nature of importations is studied and compared to that of NPI on the risk of importation-induced local transmission chains. The effect of quarantine on the rate of importations is assessed, as well as its efficacy as a function of its duration. Results The rate of importations plays a critical role in determining the risk that case importations lead to local transmission chains, more so than local transmission characteristics, i.e., strength of NPI. The latter influences the severity of the outbreaks. Quarantine after arrival in a location is an efficacious way to reduce the rate of importations. Conclusions Locations that see no or low level local transmission should ensure that the rate of importations remains low. A high level of compliance with post-arrival quarantine followed by testing achieves this objective with less of an impact than travel restrictions or bans.
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 | 0,010 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».