Mathematical Modelling of a Measles Outbreak in Pre-vaccine England and Wales
Notice bibliographique
Résumé
We present a spatial variant of the time series susceptible-infectious-recovered (TSIR) stochastic population-based model to capture the spatial transmission dynamics of a measles outbreak across the landscape of England and Wales during the pre-vaccine era. Specifically, we explore how the basic dynamical features of a measles outbreak with a seasonal forcing of transmission acts as a major driver of a long-term epidemic behavior. We use a 20-year pre-vaccination era biweekly time series data (births by year and incidence of measles for the years 1944-1966) from 60 towns and cities in England and Wales to capture the spatial spread of measles. In England and Wales prior to vaccination, measles was endemic in large cities, but in smaller cities disease fadeout occurred. Reappearance of the disease would then occur only after a case was imported from a surrounding city where measles was endemic. To capture spatio-temporal dynamics, multi-city models must be developed, but these models can become very large requiring more memory and processing power than a single computer can deliver. Rather than represent the population as a linked set of cities, we represent the population as a gridded map. Each grid cell can transmit infectious disease to its neighbors, with probabilities that decline exponentially with distance. We present a stochastic spatial model with six compartments. We call this the kids-susceptible- infectious-recovered-adults-dead (KSIRAD) model. From the simulation, we recover spatiotemporal maps of the incidence of the infection. We compare simulated time-series graphs with real data compiled by Grenfell and others. Our future work includes testing of our spatial model for measles outbreaks reported in the modern era, for example, in conflict affected areas of the Republic of the Niger in Western Africa in 2016. Socioeconomic disparities in a country like Niger presents significant challenges to reporting and real-time tracking of human infectious diseases. *Indicates presenter
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».