Efficacy of a “stay-at-home” policy on SARS-CoV-2 transmission in Toronto, Canada: a mathematical modelling study
Notice bibliographique
Résumé
BACKGROUND: Globally, nonpharmaceutical interventions for COVID-19, including stay-at-home policies, limitations on gatherings and closure of public spaces, are being lifted. We explored the effect of lifting a stay-at-home policy on virus resurgence under different conditions. METHODS: Using confirmed case data from Toronto, Canada, between Feb. 24 and June 24, 2020, we ran a compartmental model with household structure to simulate the impact of the stay-at-home policy considering different levels of compliance. We estimated threshold values for the maximum number of contacts, probability of transmission and testing rates required for the safe reopening of the community. RESULTS: After the implementation of the stay-at-home policy, the contact rate outside the household fell by 39% (from 11.58 daily contacts to 7.11). The effective reproductive number decreased from 3.56 (95% confidence interval [CI] 3.02-4.14) on Mar. 12 to 0.84 (95% CI 0.79-0.89) on May 6. Strong adherence to stay-at-home policies appeared to prevent SARS-CoV-2 resurgence, but extending the duration of stay-at-home policies beyond 2 months had little added effect on cumulative cases (25 958 for 65 days of a stay-at-home policy and 23 461 for 95 days, by July 2, 2020) and deaths (1404 for 65 days and 1353 for 95 days). To avoid a resurgence, the average number of contacts per person per day should be kept below 9, with strict nonpharmaceutical interventions in place. INTERPRETATION: Our study demonstrates that the stay-at-home policy implemented in Toronto in March 2020 had a substantial impact on mitigating the spread of SARS-CoV-2. In the context of the early pandemic, before the emergence of variants of concern, reopening schools and workplaces was possible only with other nonpharmaceutical interventions in place.
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 | 0,001 |
| 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 | 0,001 | 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 ».