Models to assess imported cases on the rebound of COVID-19 and design a long-term border control strategy in Heilongjiang Province, China
Notice bibliographique
Résumé
Since the outbreak of COVID-19 in Wuhan, China in December 2019, it has spread quickly and become a global pandemic. While the epidemic has been contained well in China due to unprecedented public health interventions, it is still raging or not yet been restrained in some neighboring countries. Chinese government adopted a strict policy of immigration diversion in major entry ports, and it makes Suifenhe port in Heilongjiang Province undertook more importing population. It is essential to understand how imported cases and other key factors of screening affect the epidemic rebound and its mitigation in Heilongjiang Province. Thus we proposed a time switching dynamical system to explore and mimic the disease transmission in three time stages considering importation and control. Cross validation of parameter estimations was carried out to improve the credibility of estimations by fitting the model with eight time series of cumulative numbers simultaneous. Simulation of the dynamics shows that illegal imported cases and imperfect protection in hospitals are the main reasons for the second epidemic wave, the actual border control intensities in the province are relatively effective in early stage. However, a long-term border closure may cause a paradox phenomenon such that it is much harder to restrain the epidemic. Hence it is essential to design an effective border reopening strategy for long-term border control by balancing the limited resources on hotel rooms for quarantine and hospital beds. Our results can be helpful for public health to design border control strategies to suppress COVID-19 transmission.
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 | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,000 | 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 ».