The impact of three progressively introduced interventions on second wave daily COVID-19 case numbers in Melbourne, Australia
Notice bibliographique
Résumé
BACKGROUND: The city of Melbourne, Australia experienced two waves of the COVID-19 epidemic peaking, the first in March and a more substantial wave in July 2020. During the second wave, a series of control measure were progressively introduced that initially slowed the growth of the epidemic then resulted in decreasing cases until there was no detectable local transmission. METHODS: To determine the relative efficacy of the progressively introduced intervention measures, we modelled the second wave as a series of exponential growth and decay curves. We used a linear regression of the log of daily cases vs time, using a four-segment linear spline model corresponding to implementation of the three successive major public health measures. The primary model used all reported cases between 14 June and 15 September 2020 then compared the projection of the model with observed cases predicting future case trajectory up until the 31 October 2020 to assess the use of exponential models in projecting the future course and planning future interventions. The main outcome measures were the exponential daily growth constants, analysis of residuals and estimates of the 95% confidence intervals for the expected case distributions, comparison of predicted daily cases. RESULTS: The exponential growth/decay constants in the primary analysis were: 0.122 (s.e. 0.004), 0.035 (s.e. 0.005), - 0.037 (s.e. 0.011), and - 0.069 (s.e. 0.003) for the initial growth rate, Stage 3, Stage 3 + compulsory masks and Stage 4, respectively. Extrapolation of the regression model from the 14 September to the 31 October matched the decline in observed cases over this period. CONCLUSIONS: The four-segment exponential model provided an excellent fit of the observed reported case data and predicted the day-to-day range of expected cases. The extrapolated regression accurately predicted the decline leading to epidemic control in Melbourne.
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 | 0,011 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».