MétaCan
Menu
Retour à la cohorte
Enregistrement W3180745853 · doi:10.1098/rsif.2021.0009

Integrated vaccination and non-pharmaceutical interventions based strategies in Ontario, Canada, as a case study: a mathematical modelling study

2021· article· en· W3180745853 sur OpenAlexaffabout
Matthew Betti, Nicola Luigi Bragazzi, Jane M. Heffernan, Jude Dzevela Kong, Angie Raad

Notice bibliographique

RevueJournal of The Royal Society Interface · 2021
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensYork UniversityMount Allison University
Organismes subventionnairesnon disponible
Mots-clésPsychological interventionPublic healthVaccinationPopulationEnvironmental healthSocial distanceEpidemiologyMedicineOperations researchBusinessCoronavirus disease 2019 (COVID-19)DiseaseVirologyInfectious disease (medical specialty)Engineering

Résumé

récupéré en direct d'OpenAlex

Recently, two coronavirus disease 2019 (COVID-19) vaccine products have been authorized in Canada. It is of crucial importance to model an integrated/combined package of non-pharmaceutical (physical/social distancing) and pharmaceutical (immunization) public health control measures. A modified epidemiological, compartmental SIR model was used and fit to the cumulative COVID-19 case data for the province of Ontario, Canada, from 8 September 2020 to 8 December 2020. Different vaccine roll-out strategies were simulated until 75% of the population was vaccinated, including a no-vaccination scenario. We compete these vaccination strategies with relaxation of non-pharmaceutical interventions. Non-pharmaceutical interventions were supposed to remain enforced and began to be relaxed on 31 January, 31 March or 1 May 2021. Based on projections from the data and long-term extrapolation of scenarios, relaxing the public health measures implemented by re-opening too early would cause any benefits of vaccination to be lost by increasing case numbers, increasing the effective reproduction number above 1 and thus increasing the risk of localized outbreaks. If relaxation is, instead, delayed and 75% of the Ontarian population gets vaccinated by the end of the year, re-opening can occur with very little risk. Relaxing non-pharmaceutical interventions by re-opening and vaccine deployment is a careful balancing act. Our combination of model projections from data and simulation of different strategies and scenarios, can equip local public health decision- and policy-makers with projections concerning the COVID-19 epidemiological trend, helping them in the decision-making process.

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)0,001
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 enseignants0,035
Score d'incertitude au seuil0,238

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0030,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,201
Tête enseignante GPT0,435
Écart entre enseignants0,234 · 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

Citations40
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of The Royal Society InterfaceMême sujetCOVID-19 epidemiological studiesTravaux en français237 207