Diverse local epidemics reveal the distinct effects of population\n density, demographics, climate, depletion of susceptibles, and intervention\n in the first wave of COVID-19 in the United States
Notice bibliographique
Résumé
The SARS-CoV-2 pandemic has caused significant mortality and morbidity\nworldwide, sparing almost no community. As the disease will likely remain a\nthreat for years to come, an understanding of the precise influences of human\ndemographics and settlement, as well as the dynamic factors of climate,\nsusceptible depletion, and intervention, on the spread of localized epidemics\nwill be vital for mounting an effective response. We consider the entire set of\nlocal epidemics in the United States; a broad selection of demographic,\npopulation density, and climate factors; and local mobility data, tracking\nsocial distancing interventions, to determine the key factors driving the\nspread and containment of the virus. Assuming first a linear model for the rate\nof exponential growth (or decay) in cases/mortality, we find that\npopulation-weighted density, humidity, and median age dominate the dynamics of\ngrowth and decline, once interventions are accounted for. A focus on distinct\nmetropolitan areas suggests that some locales benefited from the timing of a\nnearly simultaneous nationwide shutdown, and/or the regional climate conditions\nin mid-March; while others suffered significant outbreaks prior to\nintervention. Using a first-principles model of the infection spread, we then\ndevelop predictions for the impact of the relaxation of social distancing and\nlocal climate conditions. A few regions, where a significant fraction of the\npopulation was infected, show evidence that the epidemic has partially resolved\nvia depletion of the susceptible population (i.e., "herd immunity"), while most\nregions in the United States remain overwhelmingly susceptible. These results\nwill be important for optimal management of intervention strategies, which can\nbe facilitated using our online dashboard.\n
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».