Modeling the impact of surveillance activities combined with physical distancing interventions on COVID-19 epidemics at a local level
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Physical distancing and contact tracing are two key components in controlling the COVID-19 epidemics. Understanding their interaction at local level is important for policymakers. We propose a flexible modeling framework to assess the effect of combining contact tracing with different physical distancing strategies. Using scenario tree analyses, we compute the probability of COVID-19 detection using passive surveillance, with and without contact tracing, in metropolitan Barcelona. The estimates of detection probability and the frequency of daily social contacts are fitted into an age-structured susceptible-exposed-infectious-recovered compartmental model to simulate the epidemics considering different physical distancing scenarios over a period of 26 weeks. With the original Wuhan strain, the probability of detecting an infected individual without implementing physical distancing would have been 0.465, 0.515, 0.617, and 0.665 in designated age groups (0-14, 15-49, 50-64, and >65), respectively. As the physical distancing measures were reinforced and the disease circulation decreased, the interaction between the two interventions resulted in a reduction of the detection probabilities; however, despite this reduction, active contact tracing and isolation remained an effective supplement to physical distancing. If we relied solely on passive surveillance for diagnosing COVID-19, the model required a minimal 50% (95% credible interval, 39-69%) reduction of daily social contacts to keep the infected population under 5%, as compared to the 36% (95% credible interval, 22-56%) reduction with contact tracing systems. The simulation with the B.1.1.7 and B.1.167.2 strains shows similar results. Our simulations showed that a functioning contact tracing program would reduce the need for physical distancing and mitigate the COVID-19 epidemics.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 découle