Lessons learned from Vietnam’s COVID-19 response: the role of adaptive behavior change and testing in epidemic control
Notice bibliographique
Résumé
Abstract Background Vietnam has emerged as one of the world’s leading success stories in responding to COVID-19. After prolonged zero-low transmission, a summer outbreak of unknown source at Da Nang caused the country’s first COVID-19 deaths, but was quickly suppressed. Vietnam recently reopened its borders to international travelers. Understanding the attendant risks and how to minimize them is crucial as Vietnam moves into this new phase. Methods We create an agent-based model of COVID-19 in Vietnam, using regional testing data and a detailed linelist of the 1,014 COVID-19 cases, including 35 deaths, identified across Vietnam. We investigate the Da Nang outbreak, and quantify the risk of another outbreak under different assumptions about behavioral/policy responses and ongoing testing. Results The Da Nang outbreak, although rapidly contained once detected, nevertheless caused significant community transmission before it was detected; higher symptomatic testing could have mitigated this. If testing levels do not increase, the adoption of past policies in response to newly-detected cases may reduce the size of potential outbreaks but will not prevent them. Compared to a baseline symptomatic testing rate of 10%, we estimate half as many infections under a 20% testing rate, and a quarter as many with 40-50% testing rates, over the four months following border reopenings. Conclusions Vietnam’s success in controlling COVID-19 is largely attributable to its rapid response to detected outbreaks, but the speed of response could be improved even further with higher levels of symptomatic testing.
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 | 0,011 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».