MétaCan
Menu
Retour à la cohorte
Enregistrement W3119753396 · doi:10.1038/s41467-020-20219-8

Estimating internationally imported cases during the early COVID-19 pandemic

2021· article· en· W3119753396 sur OpenAlexaff
Tigist F. Menkir, Taylor Chin, James A. Hay, Erik D. Surface, Pablo M. De Salazar, Caroline O. Buckee, Alexander Watts, Kamran Khan, Ryan Sherbo, Ada W. C. Yan, Michael J. Mina, Marc Lipsitch, René Niehus

Notice bibliographique

RevueNature Communications · 2021
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensUniversity of TorontoSt. Michael's HospitalBlueDot (Canada)
Organismes subventionnairesNational Institute of Allergy and Infectious DiseasesNational Institute of General Medical SciencesNational Institutes of Health
Mots-clésChinaDestinationsCoronavirus disease 2019 (COVID-19)OutbreakPandemicGeographySevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakSocioeconomicsMedicineTourismVirologyInfectious disease (medical specialty)Disease

Résumé

récupéré en direct d'OpenAlex

Early in the COVID-19 pandemic, predictions of international outbreaks were largely based on imported cases from Wuhan, China, potentially missing imports from other cities. We provide a method, combining daily COVID-19 prevalence and flight passenger volume, to estimate importations from 18 Chinese cities to 43 international destinations, including 26 in Africa. Global case importations from China in early January came primarily from Wuhan, but the inferred source shifted to other cities in mid-February, especially for importations to African destinations. We estimate that 10.4 (6.2 - 27.1) COVID-19 cases were imported to these African destinations, which exhibited marked variation in their magnitude and main sources of importation. We estimate that 90% of imported cases arrived between 17 January and 7 February, prior to the first case detections. Our results highlight the dynamic role of source locations, which can help focus surveillance and response efforts.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,066
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
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 enseignants0,131
Score d'incertitude au seuil0,942

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,066
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,300
Tête enseignante GPT0,485
Écart entre enseignants0,185 · 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 tête enseignante, pas un consensus.

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

Citations56
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNature CommunicationsMême sujetCOVID-19 epidemiological studiesTravaux en français237 207