Modélisation mathématique de la transmission de la COVID-19 et stratégies d’atténuation des risques dans la population ontarienne au Canada
Bibliographic record
Abstract
CONTEXTE: Au Canada, on utilise des interventions d’éloignement physique pour ralentir la propagation du SRAS-CoV-2 (coronavirus du syndrome respiratoire aigu sévère 2), mais on ignore au juste quelle en sera l’efficacité. Nous avons évalué comment différentes interventions non pharmacologiques pouvaient être utilisées pour maîtriser la pandémie de COVID-19 (maladie à coronavirus 2019) et alléger le fardeau qu’elle impose au système de santé. MÉTHODES: Nous avons utilisé un modèle à compartiments structuré selon l’âge pour faire une analyse de la transmission de la COVID-19 dans la population de l’Ontario, au Canada. Nous avons comparé un scénario de référence, soit dépistage limité, isolement et quarantaine, à des scénarios incluant dépistage accru, mesures strictes d’éloignement physique, ou combinaison de dépistage accru et d’éloignement physique moins strict. Les interventions étaient appliquées soit pendant des durées fixes, soit selon un cycle dynamique en fonction de l’occupation projetée des lits dans les unités de soins intensifs (USI). Nous présentons les médianes et les intervalles de crédibilité tirés de 100 expériences répliquées par scénario sur un horizon temporel de 2 ans. RÉSULTATS: Selon le scénario de référence, nous avons estimé que 56 % (intervalle de crédibilité de 95 %, 42 %–63 %) de la population ontarienne contractait l’infection pendant l’épidémie. Au moment du sommet épidémique, nous avons projeté 107 000 (intervalle de crédibilité de 95 %, 60 760–149 000) hospitalisations (soins standards) et 55 500 (intervalle de crédibilité de 95 %, 32 700–75 200) hospitalisations dans les USI. Pour les scénarios à durée fixe, selon les projections, toutes les interventions retardaient et réduisaient la hauteur du sommet épidémique par rapport au scénario de référence, et ce sont les mesures d’éloignement physique strict qui exerçaient le plus d’effet; de même, les interventions de durée plus longue étaient plus efficaces. Selon les projections, les interventions dynamiques réduisaient la proportion de la population atteinte à la fin de la période de 2 ans et pouvaient ramener le nombre médian de cas dans les USI en deçà des estimations actuelles de leur capacité en Ontario. INTERPRÉTATION: Sans éloignement physique substantiel ou une combinaison d’éloignement physique modéré et de dépistage accru, nous projetons que les ressources des USI pourraient être insuffisantes. L’éloignement physique dynamique maintiendrait la capacité du système de santé en plus de donner un répit psychologique et économique périodique aux populations.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".