Statistical Relationship Between Wastewater Data and Case Notifications for COVID-19 Surveillance in the United States From 2020 to 2023: Bayesian Hierarchical Modeling Approach
Notice bibliographique
Résumé
Background: During the COVID-19 pandemic, several US jurisdictions began to regularly report levels of SARS-CoV-2 in wastewater as a proxy for SARS-CoV-2 incidence. Despite the promise of this approach for improving COVID-19 situational awareness, the degree to which wastewater surveillance data agree with other data has varied, and better evidence is needed to understand the situations in which wastewater surveillance data track closely with traditional surveillance data. Objective: In this study, we quantified the statistical relationship between wastewater data and traditional case-based surveillance data for multiple jurisdictions. Methods: We collated data on wastewater SARS-CoV-2 RNA levels and COVID-19 case reports from July 2020 to March 2023 for 107 counties representing a range in terms of geographic location, population size, and urbanicity. For these counties, we used Bayesian hierarchical regression modeling to estimate the statistical relationship between wastewater data and reported cases, allowing for variation in this relationship across counties. We compared different model structural approaches and assessed how the strength of the estimated relationships varied between settings and over time. Results: Our analyses revealed a strong positive relationship between wastewater data and COVID-19 cases for the majority of locations, with a median correlation coefficient between observed and predicted cases of 0.904 (IQR 0.823-0.943). In total, 23/107 counties (21.5%) had correlation coefficients below 0.8, and 3/107 (2.8%) had values below 0.6. Across locations, the COVID-19 case rate associated with a given level of wastewater SARS-CoV-2 RNA concentration declined over the study period. Counties with greater population size (P<.001) and higher levels of urbanicity (P<.001) had stronger concordance between wastewater data and COVID-19 cases. Measures of model fit, and relationships with urbanicity and population size, were robust to sensitivity analyses in which we varied the time period of analysis and the sample of counties used for model fitting. Conclusions: In a sample of 107 US counties, wastewater surveillance had a close relationship with COVID-19 cases reported for the majority of locations, with these relationships found to be stronger in counties with greater population size and urbanicity. In situations where routine COVID-19 surveillance data are less reliable, wastewater surveillance may be used to track local SARS-CoV-2 incidence trends.
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 | 0,031 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».