Watching the guards: A data-driven method to trigger warnings in national wastewater surveillance networks
Notice bibliographique
Résumé
ABSTRACT Surveillance networks have been established in many countries worldwide to monitor SARS-CoV-2 in sewage and to estimate the communal prevalence of COVID-19 cases. Despite their popularity, gaining a rapid understanding of how infectious diseases spread across the territory covered by a network is difficult because of the many factors involved. To improve the detection of warning signals within the territory, we propose to apply principal component analysis (PCA) to screen time-series data generated from wastewater treatment plants (WWTPs) under surveillance. Our analysis allows us to identify single WWTPs deviating from the normal behavior as well as deviations of a cluster of WWTPs (indicative of an intermunicipal outbreak). Our approach is illustrated through the analysis of the dataset generated by the Catalan Surveillance Network of SARS-CoV-2 in Sewage (SARSAIGUA). Using 10 principal components, we captured 78.6% of the variance in the original dataset of 51 variables (WWTPs). Our analysis identified exceedance of the Q-statistic threshold as evidence of anomalous performance of a single WWTP, and exceedance of the T2-statistic as a sign of an intermunicipal outbreak. Our approach provides a comprehensive picture of the spread of the COVID-19 pandemic, enabling decision-makers to make informed decisions and better manage future pandemics.
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 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 | 0,004 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».