Quantifying transmissibility of SARS-CoV-2 and impact of intervention within long-term healthcare facilities
Notice bibliographique
Résumé
Estimates of the basic reproduction number ( R 0 ) for COVID-19 are particularly variable in the context of transmission within locations such as long-term healthcare (LTHC) facilities. We sought to characterize the heterogeneity of R 0 across known outbreaks within these facilities. We used a unique comprehensive dataset of all outbreaks that occurred within LTHC facilities in British Columbia, Canada as of 21 September 2020. We estimated R 0 in 18 LTHC outbreaks with a novel Bayesian hierarchical dynamic model of susceptible, exposed, infected and recovered individuals, incorporating heterogeneity of R 0 between facilities. We further compared these estimates to those obtained with standard methods that use the exponential growth rate and maximum likelihood. The total size of outbreaks varied dramatically, with range of attack rates 2%–86%. The Bayesian analysis provided an overall estimate of R 0 = 2.51 (90% credible interval 0.47–9.0), with individual facility estimates ranging between 0.56 and 9.17. Uncertainty in these estimates was more constrained than standard methods, particularly for smaller outbreaks informed by the population-level model. We further estimated that intervention led to 61% (52%–69%) of all potential cases being averted within the LTHC facilities, or 75% (68%–79%) when using a model with multi-level intervention effect. Understanding of transmission risks and impact of intervention are essential in planning during the ongoing global pandemic, particularly in high-risk environments such as LTHC facilities.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».