The impact of mask-wearing and shelter-in-place on COVID-19 outbreaks in the United States
Notice bibliographique
Résumé
OBJECTIVES: A hasty reopening has led to a resurgence of the novel coronavirus disease 2019 (COVID-19) in the United States (US). We aimed to quantify the impact of several public health measures including non-medical mask-wearing, shelter-in-place, and detection of silent infections to help inform COVID-19 mitigation strategies. METHODS: We extended a previously established agent-based disease transmission model and parameterized it with estimates of COVID-19 characteristics and US population demographics. We implemented non-medical mask-wearing, shelter-in-place, and case isolation as control measures, and quantified their impact on reducing the attack rate and adverse clinical outcomes. RESULTS: We found that non-medical mask-wearing by 75% of the population reduced infections, hospitalizations, and deaths by 37.7% (interquartile range (IQR): 36.1-39.4%), 44.2% (IQR: 42.9-45.8%), and 47.2% (IQR: 45.5-48.7%), respectively, in the absence of a shelter-in-place strategy. Sheltering individuals aged 50 to 64 years of age was the most efficient strategy, decreasing attack rate, hospitalizations, and deaths by over 82% when combined with mask-wearing. Outbreak control was achieved in the simulated scenarios and the attack rate was reduced to below 1% when at least 33% of silent pre-symptomatic and asymptomatic infections were identified and isolated. CONCLUSIONS: Mask-wearing, even with the use of non-medical masks, has a substantial impact on outbreak control. A judicious implementation of shelter-in-place strategies remains an important public health intervention amid ongoing outbreaks.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».