Mathematical modeling and optimal intervention of COVID‐19 outbreak
Notice bibliographique
Résumé
Background The COVID‐19 pandemic has become a formidable threat to global health and economy. The coronavirus SARS‐CoV‐2 that causes COVID‐19 is known to spread by human‐to‐human transmission, and in about 40% cases, the exposed individuals are asymptomatic which makes it difficult to contain the virus. Methods This paper presents a modified SEIR epidemiological model and uses concepts of optimal control theory for analysis of the effects of intervention methods of the COVID19. Fundamentally the pandemic intervention problem can be viewed as a mathematical optimization problem as there are contradictory outcomes in terms of reduced infection and fatalities but with serious economic downturns. Results Concepts of optimal control theory have been used to determine the optimal control (intervention) levels of i) social contact mitigation and suppression, and ii) pharmaceutical intervention modalities, with minimum impacts on the economy. Numerical results show that with optimal intervention policies, there is a significant reduction in the number of infections and fatalities. The computed optimum intervention policy also provides a timeline of systematic enforcement and relaxation of stay‐at‐home regulations, and an estimate of the peak time and number of hospitalized critical care patients. Conclusion The proposed method could be used by local and state governments in planning effective strategies in combating the pandemic. The optimum intervention policy provides the necessary lead time to establish necessary field hospitals before getting overwhelmed by new patient arrivals. Our results also allow the local and state governments to relax social contact suppression guidelines in an orderly manner without triggering a second wave.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».