A mathematical model for multiple COVID-19 waves applied to Kenya
Notice bibliographique
Résumé
Abstract The COVID-19 pandemic, which began in December 2019, prompted governments to implement non-pharmaceutical interventions (NPIs) to curb its spread. Despite these efforts and the discovery of vaccines and treatments, the disease continued to circulate globally, evolving into multiple waves, largely driven by emerging COVID-19 variants. Mathematical models have been very useful in understanding the dynamics of the pandemic. Mainly, their focus has been limited to individual waves without easy adaptability to multiple waves. In this study, we propose a compartmental model that can accommodate multiple waves, built on three fundamental concepts. Firstly, we consider the collective impact of all factors affecting COVID-19 and express their influence on the transmission rate through piecewise exponential-cum-constant functions of time. Secondly, we introduce techniques to model the fore sections of observed waves, that change infection curves with negative gradients to those with positive gradients, hence, generating new waves. Lastly, we implement a jump mechanism in the susceptible fraction, enabling further adjustments to align the model with observed infection curve. By applying this model to the Kenyan context, we successfully replicate all COVID-19 waves from March 2020 to January 2023. The identified change points align closely with the emergence of dominant COVID-19 variants, affirming their pivotal role in driving the waves. Furthermore, this adaptable approach can be extended to investigate any new COVID-19 variant or any other periodic infectious diseases, including influenza.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».