Évaluation de l’impact de divers niveaux de détection des cas et de recherche des contacts sur la transmission de la COVID-19 au Canada pendant la levée des fermetures imposées à l’aide d’un modèle à compartiments dynamique
Bibliographic record
Abstract
CONTEXTE : La pandémie de coronavirus de 2019 (COVID-19) a commencé avec un agrégat de cas de pneumonie détectés à Wuhan, en Chine, en décembre 2019. La transmission endémique a été reconnue au Canada au début de février 2020. Il était donc urgent que les intervenants en santé publique aient accès à des outils robustes et fiables pour soutenir la prise de décisions en matière de gestion des épidémies. Le présent document vise à présenter l’un de ces outils – un modèle compartimental dynamique stratifié en fonction de l’âge élaboré par l’Agence de la santé publique du Canada en collaboration avec Statistique Canada – et à modéliser l’impact des interventions non pharmaceutiques sur le taux d’attaque des infections à la COVID-19 au Canada. MÉTHODES : Ce modèle simule l’impact de niveaux variés d’interventions non pharmaceutiques, incluant la détection et l’isolement des cas, la recherche des contacts et la quarantaine ainsi que les changements de niveau de distanciation physique au Canada, alors que les fermetures imposées ont commencé à être levées en mai 2020. RÉSULTATS : Ce modèle nous permet de souligner l’importance d’un niveau relativement élevé de détection et d’isolement des cas, ainsi que de la recherche et de la mise en quarantaine des personnes en contact avec ces cas, afin d’éviter une résurgence de l’épidémie au Canada à mesure que les fermetures imposées sont levées. Il faudra probablement aussi qu’un certain niveau de distanciation physique soit maintenu par le public. CONCLUSION : Cette étude souligne l’importance d’appliquer une approche prudente lors de la levée des fermetures imposées dans cette deuxième phase de l’épidémie. Cette approche comprend des efforts de la santé publique pour recenser les cas et rechercher les contacts, ainsi que pour encourager les Canadiens à passer un test de dépistage s’ils risquent d’être infectés et à maintenir une distance physique dans les zones publiques.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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 teacher head, 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".