Modeling COVID-19 Transmission using IDSIM, an Epidemiological-Modelling Desktop App with Multi-Level Immunization Capabilities
Notice bibliographique
Résumé
The COVID-19 pandemic has placed unprecedented demands on local public health units in Ontario, Canada, one of which was the need for in-house epidemiological-modelling capabilities. To address this need, Ontario Tech University and the Durham Region Health Department developed a native Windows desktop app that performs epidemiological modelling of infectious diseases. The app is an implementation of a multi-stratified compartmental epidemiological model that can accommodate multiple virus variants and levels of vaccination, as well as public health measures such as physical distancing, contact tracing followed by quarantine, and testing followed by isolation. This article presents the epidemiological model and epidemiological-simulation results obtained using the developed app. The simulations investigate the effects of different factors on COVID-19 transmission in Durham Region, including vaccination coverage, vaccine effectiveness, waning of vaccine-induced immunity, advent of the Omicron variant and effect of COVID-19 booster vaccines in reducing the number of infections and severe cases. Results indicate that, for the Delta variant, natural immunity, in addition to vaccination-induced immunity, is necessary to achieve herd immunity and that waning of vaccine-induced immunity lengthens the time necessary to reach herd immunity. In the absence of additional public health measures, a wave driven by the Omicron variant is predicted to pose significant public health challenges with infections predicted to peak in approximately two to three months, depending on the rate of administration of booster doses.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».