Forecasting SARS-CoV-2 epidemic dynamic in Poland with the pDyn agent-based model
Notice bibliographique
Résumé
We employ pDyn (derived from “pandemics dynamics”), an agent-based epidemiological model, to forecast the fourth wave of the SARS-CoV-2 epidemic, primarily driven by the Delta variant, in Polish society. The model captures spatiotemporal dynamics of the epidemic spread, predicting disease-related states based on pathogen properties and behavioral factors. We assess pDyn’s validity, encompassing pathogen variant succession, immunization level, and the proportion of vaccinated among confirmed cases. We evaluate its predictive capacity for pandemic dynamics, including wave peak timing, magnitude, and duration for confirmed cases, hospitalizations, ICU admissions, and deaths, nationally and regionally in Poland. Validation involves comparing pDyn’s estimates with real-world data (excluding data used for calibration) to evaluate whether pDyn accurately reproduced the epidemic dynamics up to the simulation time. To assess the accuracy of pDyn’s predictions, we compared simulation results with real-world data acquired after the simulation date. The findings affirm pDyn’s accuracy in forecasting and enhancing our understanding of epidemic mechanisms. • The generative ABM pDyn incorporates extensive data for model validation. • The generative description of epidemic spread results in predictive performance. • pDyn enables detailed epidemic simulations at both national and regional levels. • ABMs should be validated by comparing internal variables with empirical data. • Monitoring local changes in epidemics is essential for model performance.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».