Estimating the generation interval and inferring the latent period of COVID-19 from the contact tracing data
Notice bibliographique
Résumé
The coronavirus disease 2019 (COVID-19) emerged by end of 2019, and became a serious public health threat globally in less than half a year. The generation interval and latent period, though both are of importance in understanding the features of COVID-19 transmission, are difficult to observe, and thus they can rarely be learnt from surveillance data empirically. In this study, we develop a likelihood framework to estimate the generation interval and incubation period simultaneously by using the contact tracing data of COVID-19 cases, and infer the pre-symptomatic transmission proportion and latent period thereafter. We estimate the mean of incubation period at 6.8 days (95 %CI: 6.2, 7.5) and SD at 4.1 days (95 %CI: 3.7, 4.8), and the mean of generation interval at 6.7 days (95 %CI: 5.4, 7.6) and SD at 1.8 days (95 %CI: 0.3, 3.8). The basic reproduction number is estimated ranging from 1.9 to 3.6, and there are 49.8 % (95 %CI: 33.3, 71.5) of the secondary COVID-19 infections likely due to pre-symptomatic transmission. Using the best estimates of model parameters, we further infer the mean latent period at 3.3 days (95 %CI: 0.2, 7.9). Our findings highlight the importance of both isolation for symptomatic cases, and for the pre-symptomatic and asymptomatic cases.
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 | 0,006 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».