Individual level modeling of infectious disease transmission with reinfection dynamics: Application to Tuberculosis in Manitoba, Canada
Notice bibliographique
Résumé
Recent advancements in stochastic modeling of infectious disease transmission have increasingly incorporated spatial factors, enhancing the accuracy of disease spread predictions and public health interventions. For many infectious diseases, reinfection is a key factor that impacts disease dynamics, epidemic progression, prevalence, and control efforts, complicating management strategies. Accurately incorporating reinfection into disease modeling is essential for developing effective interventions. This study expands upon previously proposed Geographically Dependent Individual Level Models (GD-ILMs) of infectious diseases by integrating them within a Susceptible-Exposed-Infectious-Recovered-Susceptible (SEIRS) compartmental framework, termed GD-ILM SEIRS, to consider reinfection. A Monte Carlo Expectation Conditional Maximization algorithm was employed to estimate the parameters of the model. The GD-ILM SEIRS was applied to Tuberculosis data from Manitoba, Canada, covering the period from 2011 to 2018. It considers spatial dependencies, along with individual and regional risk factors influencing susceptibility to initial infection, reinfection, and infectivity. An analysis of Manitoba's health authority districts highlights specific risk factors related to susceptibility to initial infection, reinfection, and infectivity. Additionally, the fitted model enables calculation of infection probabilities at high-resolution geographic scales. The results allow for targeted interventions and optimized resource allocation by detecting high-risk areas and vulnerable populations to reduce transmission rates, prevent reinfection, and enhance health outcomes in Manitoba. Moreover, a simulation study across various grid configurations demonstrates the model's effectiveness in estimating parameters. This study highlights the need to integrate reinfection dynamics into infectious disease models to strengthen the impact of public health interventions and disease control strategies.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 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 ».