While severe social-distancing measures have proven effective in slowing the coronavirus disease 2019 (COVID-19) pandemic, second-wave scenarios are likely to emerge as restrictions are lifted. Here we integrate anonymized, geolocalized mobility data with census and demographic data to build a detailed agent-based model of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) transmission in the Boston metropolitan area. We find that a period of strict social distancing followed by a robust level of testing, contact-tracing and household quarantine could keep the disease within the capacity of the healthcare system while enabling the reopening of economic activities. Our results show that a response system based on enhanced testing and contact tracing can have a major role in relaxing social-distancing interventions in the absence of herd immunity against SARS-CoV-2. An agent-based model of SARS-CoV-2 transmission shows that testing, contact tracing and household quarantine could keep new COVID-19 waves under control while allowing the reopening of the economy with minimal social-distancing interventions.

Significance Mathematical and computational modeling approaches can be essential in providing quantitative scenarios of disease spreading, as well as projecting the impact in the population. Here we analyze the spatial and temporal dynamics of the Zika virus epidemic in the Americas with a microsimulation approach informed by high-definition demographic, mobility, and epidemic data. The model provides probability distributions for the time and place of introduction of Zika in Brazil, the estimate of the attack rate, timing of the epidemic in the affected countries, and the projected number of newborns from women infected by Zika. These results are potentially relevant in the preparation and analysis of contingency plans aimed at Zika virus control.

Accurate forecasts can enable more effective public health responses during seasonal influenza epidemics. For the 2021-22 and 2022-23 influenza seasons, 26 forecasting teams provided national and jurisdiction-specific probabilistic predictions of weekly confirmed influenza hospital admissions for one-to-four weeks ahead. Forecast skill is evaluated using the Weighted Interval Score (WIS), relative WIS, and coverage. Six out of 23 models outperform the baseline model across forecast weeks and locations in 2021-22 and 12 out of 18 models in 2022-23. Averaging across all forecast targets, the FluSight ensemble is the 2

Numerous Zika virus vaccines are being developed. However, identifying sites to evaluate the efficacy of a Zika virus vaccine is challenging due to the general decrease in Zika virus activity. We compare results from three different modeling approaches to estimate areas that may have increased relative risk of Zika virus transmission during 2017. The analysis focused on eight priority countries (i.e., Brazil, Colombia, Costa Rica, Dominican Republic, Ecuador, Mexico, Panama, and Peru). The models projected low incidence rates during 2017 for all locations in the priority countries but identified several sub-national areas that may have increased relative risk of Zika virus transmission in 2017. Given the projected low incidence of disease, the total number of participants, number of study sites, or duration of study follow-up may need to be increased to meet the efficacy study endpoints.

We use a data-driven global stochastic epidemic model to project past and future spread of the Zika virus (ZIKV) in the Americas. The model has high spatial and temporal resolution, and integrates real-world demographic, human mobility, socioeconomic, temperature, and vector density data. We estimate that the first introduction of ZIKV to Brazil likely occurred between August 2013 and April 2014 (90% credible interval). We provide simulated epidemic profiles of incident ZIKV infections for several countries in the Americas through February 2017. The ZIKV epidemic is characterized by slow growth and high spatial and seasonal heterogeneity, attributable to the dynamics of the mosquito vector and to the characteristics and mobility of the human populations. We project the expected timing and number of pregnancies infected with ZIKV during the first trimester, and provide estimates of microcephaly cases assuming different levels of risk as reported in empirical retrospective studies. Our approach represents an early modeling effort aimed at projecting the potential magnitude and timing of the ZIKV epidemic that might be refined as new and more accurate data from the region become available.

Background: Local mosquito-borne Zika virus (ZIKV) transmission has been reported in two counties of the continental United State (US), prompting the issuance of travel, prevention, and testing guidance across the continental US. Large uncertainty, however, surrounds the quantification of the actual risk of ZIKV introduction and autochthonous transmission across different areas of the US. Method: We present a framework for the projection of ZIKV autochthonous transmission in the continental US during the 2015-2016 epidemic, using a data-driven stochastic and spatial epidemic model accounting for seasonal, environmental and detailed population data. The model generates an ensemble of travel-related case counts and simulate their potential to trigger local transmission at individual level. Results: We estimate the risk of ZIKV introduction and local transmission at the county level and at the 0.025 degree by 0.025 degree cell level across the continental US. We provide a risk measure based on the probability of observing local transmission in a specific location during a ZIKV epidemic modeled after the one observed during the years 2015-2016. The high spatial and temporal resolutions of the model allow us to generate statistical estimates of the number of ZIKV introductions leading to local transmission in each location. We find that the risk is spatially heterogeneously distributed and concentrated in a few specific areas that account for less than 1% of the continental US population. Locations in Texas and Florida that have actually experienced local ZIKV transmission are among the places at highest risk according to our results. We also provide an analysis of the key determinants for local transmission, and identify the key introduction routes and their contributions to ZIKV spread in the continental US. Conclusions: This framework provides quantitative risk estimates, fully captures the stochasticity of ZIKV introduction events, and is not biased by the under-ascertainment of cases due to asymptomatic infections. It provides general information on key risk determinants and data with potential uses in defining public health recommendations and guidance about ZIKV risk in the US.