The effects of weather and mobility on respiratory viruses dynamics before and after the COVID-19 pandemic
Notice bibliographique
Résumé
Abstract The flu season is caused by a combination of different pathogens, including influenza viruses (IVS), that cause the flu, and non-influenza respiratory viruses (NIRVs), that cause common colds or influenza-like illness. These viruses have similar circulation patterns, and weather has been considered a main driver of their dynamics, with peaks in the winter and almost no circulation during the summer in temperate regions. However, after the emergence of SARS-CoV2, in 2019, the dynamics of these respiratory viruses were strongly perturbed worldwide: some infections almost disappeared, others were delayed or occurred “off-season”. This disruption raised questions regarding the dominant role of weather while also providing an unique opportunity to investigate the relevance of different driving factors on the epidemiological dynamics of IVs and NIRVs, including viral interactions, non-pharmacological individual measures (such as masking), or mobility. Here, we use epidemiological surveillance data on several respiratory viruses from Canada and the USA from 2016 to 2023, and tested the effects of weather and mobility in their dynamics before and after the COVID-19 pandemic. Using statistical modelling, we found evidence that whereas in the pre-COVID-19 pandemic period, weather had a strong effect and mobility a limited effect on dynamics; in the post-COVID-19 pandemic period the effect of weather was strongly reduced and mobility played a more relevant role. These results, together with previous studies, indicate that at least some of the behavioral changes resulting from the non-pharmacological interventions implemented during COVID-19 pandemic had a strong effect on the dynamics of respiratory viruses. Furthermore, our results support the idea that these seasonal dynamics are driven by a complex system of interactions between the different factors involved, which probably led to an equilibrium that was disturbed, and perhaps permanently altered, by the COVID-19 pandemic.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».