Estimating COVID-19 cases and deaths prevented by non-pharmaceutical interventions, and the impact of individual actions: A retrospective model-based analysis
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
Simulation models from the early COVID-19 pandemic highlighted the urgency of applying non-pharmaceutical interventions (NPIs), but had limited empirical data. Here we use data from 2020-2021 to retrospectively model the impact of NPIs in Ontario, Canada. Our model represents age groups and census divisions in Ontario, and is parameterized with epidemiological, testing, demographic, travel, and mobility data. The model captures how individuals adopt NPIs in response to reported cases. We compare a scenario representing NPIs introduced within Ontario (closures of workplaces/schools, reopening of schools/workplaces with NPIs in place, individual-level NPI adherence) to counterfactual scenarios wherein alternative strategies (e.g. no closures, reliance on individual NPI adherence) are adopted to ascertain the extent to which NPIs reduced cases and deaths. Combined school/workplace closure and individual NPI adoption reduced the number of deaths in the best-case scenario for the case fatality rate (CFR) from 178548 [CI: 171845, 185298] to 3190 [CI: 3095, 3290] in the Spring 2020 wave. In the Fall 2020/Winter 2021 wave, the introduction of NPIs in workplaces/schools reduced the number of deaths from 20183 [CI: 19296, 21057] to 4102 [CI: 4075, 4131]. Deaths were several times higher in the worst-case CFR scenario. Each additional 9-16 (resp. 285-578) individuals who adopted NPIs in the first wave prevented one additional infection (resp., death). Our results show that the adoption of NPIs prevented a public health catastrophe. A less comprehensive approach, employing only closures or individual-level NPI adherence, would have resulted in a large number of cases and deaths.
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 | 0,005 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle