Agent-Based Simulation of Covid-19 Vaccination Policies in CovidSIMVL
Notice bibliographique
Résumé
ABSTRACT An agent-based infectious disease modeling tool (CovidSIMVL) is employed in this paper to explore outcomes associated with MRNA two-dose vaccination regimens set out in Emergency Use Authorization (EUA) documents submitted by Pfizer and Moderna to the US Department of Health & Human Services. As well, the paper explores outcomes associated with a third “Hybrid” policy that reflects ranges of expected levels of protection according to Pfizer and Moderna EUA’s, but entails a 35 day separation between first and second dose, which exceeds the 21 days set out in Pfizer documentation or the 28 days in Moderna documentation. Four CovidSIMVL parameters are varied in the course of 75 simulated clinical trials. Two relate directly to the vaccines and their impacts (duration between doses; degree of expected protection conferred by different vaccines following first or second dose). Two relate to the simulation contexts to which the vaccines are applied (degree of infectivity; duration of infectivity). The simulated trials demonstrate expected effects for timing of second dose, and for degree of protection associated with first and second dose of Pfizer and Moderna vaccines, and the effects are consistent with an assumed value of 75% for degree of protection after first and second doses for the Hybrid vaccine. However, the simulated trials suggest a more complex interaction between expected level of protection following first dose, timing of second dose and degree of infectivity. These results suggest that policy options should not be considered independent of the transmission dynamics that are manifested in the contexts in which the policies could be applied. CovidSIMVL embodies stochasticity in the mechanisms that govern viral transmission, and it treats the basic reproduction number (R0)as an emergent characteristic of transmission dynamics, not as a pre-set value that determines those dynamics. As such, results reported in this paper reflect outcomes that could happen, but do not necessarily reflect what is more or less likely to happen, given different configurations of parameters. The discussion section goes into some measure of detail regarding next steps that could be pursued to enhance the potential for agent-based models such as CovidSIMVL to inform exploration of possible vaccination policies, and to project outcomes that are possible or likely in local contexts, where stochasticity and heterogeneity of transmission must be featured in models that are intended to reflect local realism.
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 | 0,005 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».