Similarity- and neighbourhood-based dynamic models for infection data: Uncovering the complexities of the COVID-19 infection risks
Notice bibliographique
Résumé
Understanding spatial and temporal risk dependencies and correlation is crucial when studying infectious diseases which spread out in consecutive waves. By analysing weekly COVID-19 case data collected from the disease's first reported case on March 3, 2020, to April 22, 2021, in 278 municipalities in Mainland Portugal, we demonstrate that the complexity of infection risks varies based on the outbreak's severity, suggesting that a single model definition is insufficient to explain the multifaceted underlying phenomena. This study employs a dynamic, conditionally specified Gaussian Markov random field model with a novel approach to characterise COVID-19 infection risk dependencies through the similarity of areal-level covariates within a Bayesian hierarchical model framework that accounts for each identifiable wave. The results indicate that the neighbourhood-based conditional autoregressive model, which is static and based on an adjacency-based neighbourhood matrix, do not necessarily captures the disease's complex spatial-temporal nature. Furthermore, the best-fitting dynamic model may not necessarily be the best predicting model in certain situations, which can lead to inadequate resource allocation in epidemic situations. Accurate forecasting can help inform decisions regarding difficult-to-measure impacts, potentially saving lives. Implementing the proposed novel approach would have produced information that would have been overwhelmingly critical to the respective authorities in protecting those in more unfavourable economic or other conditions.
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 | 0,005 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».