U.S. state-level COVID-19 transmission insights from a mechanistic mobility-incidence model
Notice bibliographique
Résumé
S ummary Background Throughout the COVID-19 pandemic, human mobility has played a central role in shaping disease transmission. In this study, we develop a mechanistic model to calculate disease incidence from commercially-available US mobility data over the course of 2020. We use it to study, at the US state level, the lag between infection and case report. We examine the evolution of per-contact transmission probability, and its dependence on mean air temperature. Finally, we evaluate the potential of the model to produce short-term incidence forecasts from mobility data. Methods We develop a mechanistic model that relates COVID-19 incidence to time series contact index (CCI) data collected by mobility data vendor Cuebiq. From this, we perform maximum-likelihood estimates of the transmission probability per CCI event. Finally, we retrospectively conduct forecasts from multiple dates in 2020 forward. Findings Across US states, we find a median lag of 19 days between transmission and case report. We find that the median transmission probability from May onward was about 20% lower than it was during March and April. We find a moderate, statistically significant negative correlation between mean state temperature and transmission probability, r = − .57, N = 49, p = 2 × 10 −5 . We conclude that for short-range forecasting, CCI data would likely have performed best overall during the first few months of the pandemic. Interpretation Our results are consistent with associations between colder temperatures and stronger COVID-19 burden reported in previous studies, and suggest that changes in the per-contact transmission probability play an important role. Our model displays good potential as a short-range (2 to 3 week) forecasting tool during the early stages of a future pandemic, before non-pharmaceutical interventions (NPIs) that modify per-contact transmission probability, principally face masks, come into widespread use. Hence, future development should also incorporate time series data of NPI use.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».