Mask Use to Curtail Influenza in a Post–COVID-19 World: Modeling Study
Notice bibliographique
Résumé
Background: Face mask mandates have been instrumental in the reduction of transmission of airborne COVID-19. Thus, the question arises whether comparatively mild measures should be kept in place after the pandemic to reduce other airborne diseases such as influenza. Objective: In this study, we aim to simulate the quantitative impact of face masks on the rate of influenza illnesses in the United States. Methods: Using the Centers for Disease Control and Prevention data from 2010 to 2019, we used a series of differential equations to simulate past influenza seasons, assuming that people wore face masks. This was achieved by introducing a variable to account for the efficacy and prevalence of masks and then analyzing its impact on influenza transmission rate in a susceptible-exposed-infected-recovered model fit to the actual past seasons. We then compared influenza rates in this hypothetical scenario with the actual rates over the seasons. Results: Our results show that several combinations of mask efficacy and prevalence can substantially reduce the burden of seasonal influenza. Across all the years modeled, a mask prevalence of 0.2 (20%) and assumed moderate inward and outward mask efficacy of 0.45 (45%) reduced influenza infections by >90%. Conclusions: A minority of individuals wearing masks substantially reduced the number of influenza infections across seasons. Considering the efficacy rates of masks and the relatively insignificant monetary cost, we highlight that it may be a viable alternative or complement to influenza vaccinations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».