Transient disease dynamics across ecological scales
Notice bibliographique
Résumé
Analyses of transient dynamics are critical to understanding infectious disease transmission and persistence. Identifying and predicting transients across scales, from within-host to community-level patterns, plays an important role in combating ongoing epidemics and mitigating the risk of future outbreaks. Moreover, greater emphases on non-asymptotic processes will enable timely evaluations of wildlife and human diseases and lead to improved surveillance efforts, preventive responses, and intervention strategies. Here, we explore the contributions of transient analyses in recent models spanning the fields of epidemiology, movement ecology, and parasitology. In addition to their roles in predicting epidemic patterns and endemic outbreaks, we explore transients in the contexts of pathogen transmission, resistance, and avoidance at various scales of the ecological hierarchy. Examples illustrate how (i) transient movement dynamics at the individual host level can modify opportunities for transmission events over time; (ii) within-host energetic processes often lead to transient dynamics in immunity, pathogen load, and transmission potential; (iii) transient connectivity between discrete populations in response to environmental factors and outbreak dynamics can affect disease spread across spatial networks; and (iv) increasing species richness in a community can provide transient protection to individuals against infection. Ultimately, we suggest that transient analyses offer deeper insights and raise new, interdisciplinary questions for disease research, consequently broadening the applications of dynamical models for outbreak preparedness and management. SUPPLEMENTARY INFORMATION: The online version contains supplementary material available at 10.1007/s12080-021-00514-w.
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 | 0,021 |
| 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 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».