Is SARS-CoV-2 elimination or mitigation best? Regional and disease characteristics determine the recommended strategy
Notice bibliographique
Résumé
Public health responses to the COVID-19 pandemic varied across the world. Some countries (e.g. mainland China, New Zealand and Taiwan) implemented elimination strategies involving strict travel measures and periods of rigorous non-pharmaceutical interventions (NPIs) in the community, aiming to achieve periods with no disease spread; while others (e.g. many European countries and the USA) implemented mitigation strategies involving less strict NPIs for prolonged periods, aiming to limit community spread. Travel measures and community NPIs have high economic and social costs, and there is a need for guidelines that evaluate the appropriateness of an elimination or mitigation strategy in regional contexts. To guide decisions, we identify key criteria and provide indicators and visualizations to help answer each question. Considerations include determining whether disease elimination is: (1) necessary to ensure healthcare provision; (2) feasible from an epidemiological point of view and (3) cost-effective when considering, in particular, the economic costs of travel measures and treating infections. We discuss our recommendations by considering the regional and economic variability of Canadian provinces and territories, and the epidemiological characteristics of different SARS-CoV-2 variants. While elimination may be a preferable strategy for regions with limited healthcare capacity, low travel volumes, and few ports of entry, mitigation may be more feasible in large urban areas with dense infrastructure, strong economies, and with high connectivity to other regions.
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 | 0,002 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».