A generalised catalytic model to assess changes in risk for multiple reinfections with SARS-CoV-2
Notice bibliographique
Résumé
BACKGROUND: Monitoring trends in multiple infections with SARS-CoV-2, following several pandemic waves, provides insight into the biological characteristics of new variants, but also necessitates methods to understand the risk of multiple reinfections. OBJECTIVES: We generalised a catalytic model designed to detect increases in the risk of SARS-CoV-2 reinfection, to assess the population-level risk of multiple reinfections. METHODS: The catalytic model assumes the risk of reinfection is proportional to observed infections and uses a Bayesian approach to fit model parameters to the number of nth infections among individuals that occur at least 90 days after a previous infection. Using a posterior draw from the fitted model parameters, a 95% projection interval of daily nth infections is calculated under the assumption of a constant nth infection hazard coefficient. An additional model parameter was incorporated for the increased reinfection risk detected during the Omicron wave. The generalised model's performance was then assessed using simulation-based validation. KEY FINDINGS: No additional increase in the risk of third infection was detected after the increase detected during the Omicron wave. Using simulation-based validation, we show that the model can successfully detect increases in the risk of third infections under different scenarios. LIMITATIONS: Even though the generalised model is intended to detect the risk of nth infections, it is validated specifically for third infections, with its applicability for four or more infections being unconfirmed. Furthermore, the method's sensitivity to low counts of nth infections, limits application in settings with small epidemics, limited testing coverage or early in an outbreak. CONCLUSIONS: The catalytic model was successfully adapted to detect increases in the risk of nth infections, enhancing our capacity to identify future changes in the risk of nth infections by SARS-CoV-2 or other similar pathogens.
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 | 0,009 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».