Impact of infectious density-induced additional screening and treatment saturation on COVID-19: Modeling and cost-effective optimal control
Notice bibliographique
Résumé
This study introduces a novel SI2HR model, where “I2” denotes two infectious classes representing asymptomatic and symptomatic infections, aiming to investigate and analyze the cost-effective optimal control measures for managing COVID-19. The model incorporates a novel concept of infectious density-induced additional screening (IDIAS) and accounts for treatment saturation. Furthermore, the model considers the possibility of reinfection and the loss of immunity in individuals who have previously recovered. To validate and calibrate the proposed model, real data from November–December 2022 in Hong Kong are utilized. The estimated parameters obtained from this calibration process are valuable for prediction purposes and facilitate further numerical simulations. An analysis of the model reveals that delays in screening, treatment, and quarantine contribute to an increase in the basic reproduction number R0, indicating a tendency towards endemicity. In particular, from the elasticity of R0, we deduce that normalized sensitivity indices of baseline screening rate (θ), quarantine rates (γ, αs), and treatment rate (α) are negative, which shows that delaying any of these may cause huge surge in R0, ultimately increases the disease burden. Further, by the contour plots, we note the two-parameter behavior of the infectives (both symptomatic and asymptomatic). Expanding upon the model analysis, an optimal control problem (OCP) is formulated, incorporating three control measures: precautionary interventions, boosted IDIAS, and boosted treatment. The Pontryagin's maximum principle and the forward-backward sweep method are employed to solve the OCP. The numerical simulations highlight that enhanced screening and treatment, coupled with preventive interventions, can effectively contribute to sustainable disease control. However, the cost-effectiveness analysis (CEA) conducted in this study suggests that boosting IDIAS alone is the most economically efficient and cost-effective approach compared to other strategies. The CEA results provide valuable insights into identifying specific strategies based on their cost-efficacy ranking, which can be implemented to maximize impact while minimizing costs. Overall, this research offers significant insights for policymakers and healthcare professionals, providing a framework to optimize control efforts for COVID-19 or similar epidemics in the future.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».