Differences in the superspreading potentials of COVID-19 across contact settings
Notice bibliographique
Résumé
BACKGROUND: Superspreading events (SSEs) played a critical role in fueling the COVID-19 outbreaks. Although it is well-known that COVID-19 epidemics exhibited substantial superspreading potential, little is known about the risk of observing SSEs in different contact settings. In this study, we aimed to assess the potential of superspreading in different contact settings in Japan. METHOD: Transmission cluster data from Japan was collected between January and July 2020. Infector-infectee transmission pairs were constructed based on the contact tracing history. We fitted the data to negative binomial models to estimate the effective reproduction number (R) and dispersion parameter (k). Other epidemiological issues relating to the superspreading potential were also calculated. RESULTS: The overall estimated R and k are 0.561 (95% CrI: 0.496, 0.640) and 0.221 (95% CrI: 0.186, 0.262), respectively. The transmission in community, healthcare facilities and school manifest relatively higher superspreading potentials, compared to other contact settings. We inferred that 13.14% (95% CrI: 11.55%, 14.87%) of the most infectious cases generated 80% of the total transmission events. The probabilities of observing superspreading events for entire population and community, household, health care facilities, school, workplace contact settings are 1.75% (95% CrI: 1.57%, 1.99%), 0.49% (95% CrI: 0.22%, 1.18%), 0.07% (95% CrI: 0.06%, 0.08%), 0.67% (95% CrI: 0.31%, 1.21%), 0.33% (95% CrI: 0.13%, 0.94%), 0.32% (95% CrI: 0.21%, 0.60%), respectively. CONCLUSION: The different potentials of superspreading in contact settings highlighted the need to continuously monitoring the transmissibility accompanied with the dispersion parameter, to timely identify high risk settings favoring the occurrence of SSEs.
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 | 0,020 |
| 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 | 0,000 |
| 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 ».