Detecting changes in population trends in infection surveillance using community SARS-CoV-2 prevalence as an exemplar
Notice bibliographique
Résumé
Detecting and quantifying changes in the growth rates of infectious diseases is vital to informing public health strategy and can inform policymakers' rationale for implementing or continuing interventions aimed at reducing their impact. Substantial changes in SARS-CoV-2 prevalence with the emergence of variants have provided an opportunity to investigate different methods for doing this. We collected polymerase chain reaction (PCR) results from all participants in the United Kingdom's COVID-19 Infection Survey between August 1, 2020, and June 30, 2022. Change points for growth rates were identified using iterative sequential regression (ISR) and second derivatives of generalized additive models (GAMs). Consistency between methods and timeliness of detection were compared. Of 8 799 079 study visits, 147 278 (1.7%) were PCR-positive. Change points associated with the emergence of major variants were estimated to occur a median of 4 days earlier (IQR, 0-8) when using GAMs versus ISR. When estimating recent change points using successive data periods, 4 change points (4/96) identified by GAMs were not found when adding later data or by ISR. Change points were detected 3-5 weeks after they occurred under both methods but could be detected earlier within specific subgroups. Change points in growth rates of SARS-CoV-2 can be detected in near real time using ISR and second derivatives of GAMs. To increase certainty about changes in epidemic trajectories, both methods could be used in parallel.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».