The effects of weather and mobility on respiratory viruses dynamics before and during the COVID-19 pandemic in the USA and Canada
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
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 exhibit similar dynamics and meteorological conditions have historically been regarded as a principal modulator of their epidemiology, with outbreaks in the winter and almost no circulation during the summer, in temperate regions. However, after the emergence of SARS-CoV2, in late 2019, the dynamics of these respiratory viruses were strongly perturbed worldwide: some infections displayed near-eradication, while others experienced temporal shifts or occurred "off-season". This disruption raised questions regarding the dominant role of weather while also providing an unique opportunity to investigate the roles of different determinants on the epidemiological dynamics of IVs and NIRVs. Here, we employ statistical analysis and modelling to test the effects of weather and mobility in viral dynamics, before and during the COVID-19 pandemic. Leveraging epidemiological surveillance data on several respiratory viruses, from Canada and the USA, from 2016 to 2023, we found that whereas in the pre-COVID-19 pandemic period, weather had a strong effect, in the pandemic period the effect of weather was strongly reduced and mobility played a more relevant role. These results, together with previous studies, indicate that behavioral changes resulting from the non-pharmacological interventions implemented to control SARS-CoV2, interfered with the dynamics of other respiratory viruses, and that the past dynamical equilibrium 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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 découle