MétaCan
Menu
Retour à la cohorte
Enregistrement W4377290390 · doi:10.1515/cmb-2022-0147

Dynamic analysis of delayed vaccination process along with impact of retrial queues

2023· article· en· W4377290390 sur OpenAlexaff
Sudipa Chauhan, Shweta Upadhyaya, Payal Rana, Geetika Malik

Notice bibliographique

RevueComputational and Mathematical Biophysics · 2023
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensUniversity of Saskatchewan
Organismes subventionnairesnon disponible
Mots-clésQueueing theoryQueueDelay differential equationVaccinationProcess (computing)Computer scienceControl theory (sociology)System dynamicsQueuing delayMathematicsDifferential equationApplied mathematicsStatisticsMedicineComputer networkControl (management)

Résumé

récupéré en direct d'OpenAlex

Abstract An unprecedented and precise time-scheduled rollout for the vaccine is needed for an effective vaccination process. This study is based on the development of a novel mathematical model considering a delay in vaccination due to the inability to book a slot in one go for a system. Two models are proposed which involve a delay differential equation mathematical model whose dynamical analysis is done to show how the delay in vaccination can destabilize the system. Further, this delay led to the formulation of a queuing model that accounts for the need to retry for the vaccination at a certain rate as delay in vaccination can have negative repercussions. The transition rates from one stage to another follow an exponential distribution. The transient state probabilities of the model are acquired by applying the Runge-Kutta method and hence performance indices are also obtained. These performance measures include the expected number of people in various states. Finally, numerical analysis is also provided to validate both models. Our results would specifically focus on what happens if the delay time increases or if the retrial rate increases (delay time decreases). The results reveal that a delay in being vaccinated by the first dose (i.e., 80 days) leads to an unstable system whereas there exists a delay simultaneously in getting vaccinated by both doses that destabilize the system early (i.e., 80 and 120 days for dose one and two, respectively). The system destabilizes faster in the presence of a delay for slot booking for both doses as compared to one dose delay. Further, the numerical results of queuing models show that if the retrial rate increases in this delay time to book the slots, it not only increases in the vaccinated class but also increases the recovered population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,037

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,095
Tête enseignante GPT0,434
Écart entre enseignants0,339 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComputational and Mathematical BiophysicsMême sujetCOVID-19 epidemiological studiesTravaux en français237 207