MétaCan
Menu
Retour à la cohorte
Enregistrement W3153983075 · doi:10.1016/j.idm.2021.04.001

Nonpharmaceutical interventions contribute to the control of COVID-19 in China based on a pairwise model

2021· article· en· W3153983075 sur OpenAlexaff
Xiao-Feng Luo, Shanshan Feng, Junyuan Yang, Xiao-Long Peng, Xiaochun Cao, Juping Zhang, Meiping Yao, Huaiping Zhu, Michael Y. Li, Hao Wang, Zhen Jin

Notice bibliographique

RevueInfectious Disease Modelling · 2021
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensUniversity of AlbertaYork University
Organismes subventionnairesShanxi UniversityNational Natural Science Foundation of China
Mots-clésQuarantineOutbreakCoronavirus disease 2019 (COVID-19)ChinaPairwise comparisonBasic reproduction numberContact tracingIsolation (microbiology)GeographyPsychological interventionDemographyBeijingSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)StatisticsEnvironmental healthMedicineBiologyMathematicsDiseaseInfectious disease (medical specialty)VirologyPopulationEcology

Résumé

récupéré en direct d'OpenAlex

Nonpharmaceutical interventions (NPIs), particularly contact tracing isolation and household quarantine, play a vital role in effectively bringing the Coronavirus Disease 2019 (COVID-19) under control in China. The pairwise model, has an inherent advantage in characterizing those two NPIs than the classical well-mixed models. Therefore, in this paper, we devised a pairwise epidemic model with NPIs to analyze COVID-19 outbreak in China by using confirmed cases during February 3rd–22nd, 2020. By explicitly incorporating contact tracing isolation and family clusters caused by household quarantine, our model provided a good fit to the trajectory of COVID-19 infections. We calculated the reproduction number R = 1.345 (95% CI: 1.230 − 1.460) for Hubei province and R = 1.217 (95% CI: 1.207 − 1.227) for China (except Hubei). We also estimated the peak time of infections, the epidemic duration and the final size, which are basically consistent with real observation. We indicated by simulation that the traced high-risk contacts from incubated to susceptible decrease under NPIs, regardless of infected cases. The sensitivity analysis showed that reducing the exposure of the susceptible and increasing the clustering coefficient bolster COVID-19 control. With the enforcement of household quarantine, the reproduction number R and the epidemic prevalence declined effectively. Furthermore, we obtained the resumption time of work and production in China (except Hubei) on 10th March and in Hubei at the end of April 2020, respectively, which is broadly in line with the actual time. Our results may provide some potential lessons from China on the control of COVID-19 for other parts of the world.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,053
Score d'incertitude au seuil0,106

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0030,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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 Opus0,239
Tête enseignante GPT0,445
Écart entre enseignants0,206 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations20
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInfectious Disease ModellingMême sujetCOVID-19 epidemiological studiesTravaux en français237 207