Identifying spatiotemporal patterns of COVID-19 transmissions and the drivers of the patterns in Toronto: a Bayesian hierarchical spatiotemporal modelling
Notice bibliographique
Résumé
Spatiotemporal patterns and trends of COVID-19 at a local spatial scale using Bayesian approaches are hardly observed in literature. Also, studies rarely use satellite-derived long time-series data on the environment to predict COVID-19 risk at a spatial scale. In this study, we modelled the COVID-19 pandemic risk using a Bayesian hierarchical spatiotemporal model that incorporates satellite-derived remote sensing data on land surface temperature (LST) from January 2020 to October 2021 (89 weeks) and several socioeconomic covariates of the 140 neighbourhoods in Toronto. The spatial patterns of risk were heterogeneous in space with multiple high-risk neighbourhoods in Western and Southern Toronto. Higher risk was observed during Spring 2021. The spatiotemporal risk patterns identified 60% of neighbourhoods had a stable, 37% had an increasing, and 2% had a decreasing trend over the study period. LST was positively, and higher education was negatively associated with the COVID-19 incidence. We believe the use of Bayesian spatial modelling and the remote sensing technologies in this study provided a strong versatility and strengthened our analysis in identifying the spatial risk of COVID-19. The findings would help in prevention planning, and the framework of this study may be replicated in other highly transmissible infectious diseases.
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 | 0,006 | 0,002 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».