A generalized differential equation compartmental model of infectious disease transmission
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
For decades, mathematical models of disease transmission have provided researchers and public health officials with critical insights into the progression, control, and prevention of disease spread. Of these models, one of the most fundamental is the SIR differential equation model. However, this ubiquitous model has one significant and rarely acknowledged shortcoming: it is unable to account for a disease's true infectious period distribution. As the misspecification of such a biological characteristic is known to significantly affect model behavior, there is a need to develop new modeling approaches that capture such information. Therefore, we illustrate an innovative take on compartmental models, derived from their general formulation as systems of nonlinear Volterra integral equations, to capture a broader range of infectious period distributions, yet maintain the desirable formulation as systems of differential equations. Our work illustrates a compartmental model that captures any Erlang distributed duration of infection with only 3 differential equations, instead of the typical inflated model sizes required by traditional differential equation compartmental models, and a compartmental model that captures any mean, standard deviation, skewness, and kurtosis of an infectious period distribution with 4 differential equations. The significance of our work is that it opens up a new class of easy-to-use compartmental models to predict disease outbreaks that do not require a complete overhaul of existing theory, and thus provides a starting point for multiple research avenues of investigation under the contexts of mathematics, public health, and evolutionary biology.
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.
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 | 0,000 | 0,000 |
| 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) | 0,001 | 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 découle