Analysis of overdispersion in airborne transmission of COVID-19
Notice bibliographique
Résumé
Superspreading events and overdispersion are hallmarks of the COVID-19 pandemic. However, the specific roles and influence of established viral and physical factors related to the mechanisms of transmission, on overdispersion, remain unresolved. We, therefore, conducted mechanistic modeling of SARS-CoV-2 point-source transmission by infectious aerosols using real-world occupancy data from more than 100 000 social contact settings in ten US metropolises. We found that 80% of secondary infections are predicted to arise from approximately 4% of index cases, which show up as a stretched tail in the probability density function of secondary infections per infectious case. Individual-level variability in viral load emerges as the dominant driver of overdispersion, followed by occupancy. We then derived an analytical function, which replicates the simulated overdispersion, and with which we demonstrate the effectiveness of potential mitigation strategies. Our analysis, connecting the mechanistic understanding of SARS-CoV-2 transmission by aerosols with observed large-scale epidemiological characteristics of COVID-19 outbreaks, adds an important dimension to the mounting body of evidence with regard to airborne transmission of SARS-CoV-2 and thereby emerges as a powerful tool toward assessing the probability of outbreaks and the potential impact of mitigation strategies on large scale disease dynamics.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».