Mathematical modelling of non-pharmaceutical interventions to control infectious diseases: application to COVID-19 in Kenya
Notice bibliographique
Résumé
Introduction The first case of COVID-19 in Kenya was reported on March 13, 2020, prompting the collection of baseline data during the initial spread of the disease. Subsequently, the Kenyan government implemented non-pharmaceutical interventions (NPIs) on April 9, 2020, to mitigate disease transmission over a two-month period. These measures were later gradually relaxed starting from June 9, 2020. Methods We applied a deterministic mathematical model to simulate the dynamics of COVID-19 transmission in Kenya. Using baseline data, we estimated transmission and recovery rates and proposed a mathematical model of how NPIs affect disease transmission rates. The model extends to interventions that yield an increase in disease transmission, unlike previous models that were limited to a decrease in transmission. We computed the mitigation and relaxation fractions and hence deduced the impact of the interventions. Results The mitigation measures imposed from April 9, 2020, reduced the disease transmission by 43.7% from the baseline level, while the relaxation from June 9, 2020, increased the transmission by 32% over the mitigation level. Without intervention, the model predicts that infections would have peaked at 30% by late May 2020. However, due to the combined effect of mitigation and relaxation, the epidemic peaked at 13% infection in mid-July 2020. Discussion The model’s projections closely align with observed data, providing valuable insights for planning. Ongoing research aims to refine the model to capture sub-waves and spikes, as well as simulate multiple waves of infection. These efforts will enhance our understanding of COVID-19 dynamics and inform effective public health strategies. The estimated basic reproduction number R0=2.76 , consistent with previous findings, underscores the validity of our model and its relevance in predicting disease transmission dynamics.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».