TransCode: Uncovering COVID-19 transmission patterns via deep learning
Notice bibliographique
Résumé
BACKGROUND: The heterogeneity of COVID-19 spread dynamics is determined by complex spatiotemporal transmission patterns at a fine scale, especially in densely populated regions. In this study, we aim to discover such fine-scale transmission patterns via deep learning. METHODS: We introduce the notion of TransCode to characterize fine-scale spatiotemporal transmission patterns of COVID-19 caused by metapopulation mobility and contact behaviors. First, in Hong Kong, China, we construct the mobility trajectories of confirmed cases using their visiting records. Then we estimate the transmissibility of individual cases in different locations based on their temporal infectiousness distribution. Integrating the spatial and temporal information, we represent the TransCode via spatiotemporal transmission networks. Further, we propose a deep transfer learning model to adapt the TransCode of Hong Kong, China to achieve fine-scale transmission characterization and risk prediction in six densely populated metropolises: New York City, San Francisco, Toronto, London, Berlin, and Tokyo, where fine-scale data are limited. All the data used in this study are publicly available. RESULTS: The TransCode of Hong Kong, China derived from the spatial transmission information and temporal infectiousness distribution of individual cases reveals the transmission patterns (e.g., the imported and exported transmission intensities) at the district and constituency levels during different COVID-19 outbreaks waves. By adapting the TransCode of Hong Kong, China to other data-limited densely populated metropolises, the proposed method outperforms other representative methods by more than 10% in terms of the prediction accuracy of the disease dynamics (i.e., the trend of case numbers), and the fine-scale spatiotemporal transmission patterns in these metropolises could also be well captured due to some shared intrinsically common patterns of human mobility and contact behaviors at the metapopulation level. CONCLUSIONS: The fine-scale transmission patterns due to the metapopulation level mobility (e.g., travel across different districts) and contact behaviors (e.g., gathering in social-economic centers) are one of the main contributors to the rapid spread of the virus. Characterization of the fine-scale transmission patterns using the TransCode will facilitate the development of tailor-made intervention strategies to effectively contain disease transmission in the targeted regions.
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 | 0,000 | 0,005 |
| 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 | 0,000 | 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 ».