Écart de mobilité : estimation des seuils de mobilité requis pour maîtriser le SRAS-CoV-2 au Canada
Bibliographic record
Abstract
RÉSUMÉ CONTEXTE: Les interventions non pharmacologiques demeurent le principal moyen de maîtriser le coronavirus du syndrome respiratoire aigu sévère 2 (SRAS-CoV-2) d’ici à ce que la couverture vaccinale soit suffisante pour donner lieu à une immunité collective. Nous avons utilisé des données de mobilité anonymisées de téléphones intelligents afin de quantifier le niveau de mobilité requis pour maîtriser le SRAS-CoV-2 (c.-à-d., seuil de mobilité), et la différence par rapport au niveau de mobilité observé (c.-à-d., écart de mobilité). MÉTHODES: Nous avons procédé à une analyse de séries chronologiques sur l’incidence hebdomadaire du SRAS-CoV-2 au Canada entre le 15 mars 2020 et le 6 mars 2021. Le paramètre mesuré était le taux de croissance hebdomadaire, défini comme le rapport entre les cas d’une semaine donnée et ceux de la semaine précédente. Nous avons mesuré les effets du temps moyen passé hors domicile au cours des 3 semaines précédentes à l’aide d’un modèle de régression log-normal, en tenant compte de la province, de la semaine et de la température moyenne. Nous avons calculé le seuil de mobilité et l’écart de mobilité pour le SRAS-CoV-2. RÉSULTATS: Au cours des 51 semaines de l’étude, en tout, 888 751 personnes ont contracté le SRAS-CoV-2. Chaque augmentation de 10 % de l’écart de mobilité a été associée à une augmentation de 25 % du taux de croissance des cas hebdomadaires de SRAS-CoV-2 (rapport 1,25, intervalle de confiance à 95 % 1,20–1,29). Comparativement à la mobilité prépandémique de référence de 100 %, le seuil de mobilité a été plus élevé au cours de l’été (69 %, écart interquartile [EI] 67 %–70 %), et a chuté à 54 % pendant l’hiver 2021 (EI 52 %–55 %); un écart de mobilité a été observé au Canada entre juillet 2020 et la dernière semaine de décembre 2020. INTERPRÉTATION: La mobilité permet de prédire avec fiabilité et constance la croissance des cas hebdomadaires et il faut maintenir des niveaux faibles de mobilité pour maîtriser le SRAS-CoV-2 jusqu’à la fin du printemps 2021. Les données de mobilité anonymisées des téléphones intelligents peuvent servir à guider le relâchement ou le resserrement des mesures de distanciation physique provinciales et régionales.
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 | 0.002 | 0.011 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 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".