Estimating SARS-CoV-2 infection incidence and detection rates: Demonstrating a novel surveillance method
Notice bibliographique
Résumé
OBJECTIVES: Assessing the cumulative incidence of infection conventionally relies on documented infections or serological surveys, both of which have limitations. This study introduces a novel and practical method leveraging testing variation in a population to estimate SARS-CoV-2 infection rates in the population of Qatar. STUDY DESIGN: Cohort study and mathematical modeling. METHODS: A cohort study was conducted from February 28, 2020, to March 04, 2024, to derive testing rates and estimate cumulative incidence of documented infection and hazard rates of documented infection in different testing groups. A deterministic mathematical model, applied to the cohort study data, was employed to simulate infection transmission, testing and infection documentation, and estimate the cumulative incidence of documented and undocumented infections, along with the infection detection rate. RESULTS: At the conclusion of the pre-Omicron phase, the model-estimated cumulative incidence of documented infection, undocumented infection, and all infections was 9.8 %, 29.7 %, and 39.5 %, respectively. By the end of the first-Omicron wave, cumulatively from the onset of the pandemic, these figures rose to 16.9 %, 56.3 %, and 73.2 %, and in the post-first Omicron phase, to 18.8 %, 77.9 %, and 96.7 %, respectively. The infection detection rate in the population was 24.9 %, 21.0 %, and 9.1 % in each of the pre-Omicron phase, first-Omicron wave, and post-first Omicron phase, respectively. Uncertainty and sensitivity analyses confirmed these results. CONCLUSIONS: Leveraging readily available testing data, the introduced method was validated in a real-world setting and has the potential for diverse applications to enhance infectious disease surveillance for both emerging and endemic infections.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».