Behavioral changes before lockdown and decreased retail and recreation mobility during lockdown contributed most to controlling COVID-19 in Western countries
Notice bibliographique
Résumé
Abstract Background The COVID-19 pandemic has prompted a lockdown in many countries to control the exponential spread of the SARS-CoV-2 virus, hereby reducing the time-varying basic reproduction number (Rt) to below one. Governments are looking for evidence to balance the demand of their citizens to ease some of the restriction, against the fear of a new peak in infections. In this study, we wanted to quantify the relative contribution of mobility restrictions, and that of behavioral changes that occurred already before the lockdowns, on the reduction of transmission during lockdowns in Western countries in early 2020. Methods Incidence data of cases and deaths from the first wave of infections for 35 Western countries (32 European, plus Israel, USA and Canada) were analyzed using epidemiological compartment models in a Bayesian framework. Mobility data was used to estimate the timing of changes associated with a lockdown, and was correlated with estimated reductions of Rt. Results Across all countries, the initial median estimate for Rt was 3.6 (95% IQR 2.4–5.2), and it was reduced to 0.78 (95% IQR 0.58–1.01) during lockdown. 48% (18–65%) of the reduction occurred already in the week before lockdown, with lockdown itself causing the remaining drop in transmission. A lower Rt during lockdown was independently associated with an increased time spent at home (0.21 per 10% more time, p 5. Our results are consistent with evidence that recreational activities (including restaurant and bar visits) enable super-spreading events. Exiting from lockdown therefore requires continued physical distancing and tight control on this kind of activities.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 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) | 0,216 | 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 ».