Importance

 Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), the etiology of coronavirus disease 2019 (COVID-19), is readily transmitted person to person. Optimal control of COVID-19 depends on directing resources and health messaging to mitigation efforts that are most likely to prevent transmission, but the relative importance of such measures has been disputed. 

Objective

 To assess the proportion of SARS-CoV-2 transmissions in the community that likely occur from persons without symptoms. 

Design, Setting, and Participants

 This decision analytical model assessed the relative amount of transmission from presymptomatic, never symptomatic, and symptomatic individuals across a range of scenarios in which the proportion of transmission from people who never develop symptoms (ie, remain asymptomatic) and the infectious period were varied according to published best estimates. For all estimates, data from a meta-analysis was used to set the incubation period at a median of 5 days. The infectious period duration was maintained at 10 days, and peak infectiousness was varied between 3 and 7 days (−2 and +2 days relative to the median incubation period). The overall proportion of SARS-CoV-2 was varied between 0% and 70% to assess a wide range of possible proportions. 

Main Outcomes and Measures

 Level of transmission of SARS-CoV-2 from presymptomatic, never symptomatic, and symptomatic individuals. 

Results

 The baseline assumptions for the model were that peak infectiousness occurred at the median of symptom onset and that 30% of individuals with infection never develop symptoms and are 75% as infectious as those who do develop symptoms. Combined, these baseline assumptions imply that persons with infection who never develop symptoms may account for approximately 24% of all transmission. In this base case, 59% of all transmission came from asymptomatic transmission, comprising 35% from presymptomatic individuals and 24% from individuals who never develop symptoms. Under a broad range of values for each of these assumptions, at least 50% of new SARS-CoV-2 infections was estimated to have originated from exposure to individuals with infection but without symptoms. 

Conclusions and Relevance

 In this decision analytical model of multiple scenarios of proportions of asymptomatic individuals with COVID-19 and infectious periods, transmission from asymptomatic individuals was estimated to account for more than half of all transmissions. In addition to identification and isolation of persons with symptomatic COVID-19, effective control of spread will require reducing the risk of transmission from people with infection who do not have symptoms. These findings suggest that measures such as wearing masks, hand hygiene, social distancing, and strategic testing of people who are not ill will be foundational to slowing the spread of COVID-19 until safe and effective vaccines are available and widely used.

On December 14, 2020, the United Kingdom reported a SARS-CoV-2 variant of concern (VOC), lineage B.1.1.7, also referred to as VOC 202012/01 or 20I/501Y.V1.* The B.1.1.7 variant is estimated to have emerged in September 2020 and has quickly become the dominant circulating SARS-CoV-2 variant in England (1). B.1.1.7 has been detected in over 30 countries, including the United States. As of January 13, 2021, approximately 76 cases of B.1.1.7 have been detected in 12 U.S. states.† Multiple lines of evidence indicate that B.1.1.7 is more efficiently transmitted than are other SARS-CoV-2 variants (1-3). The modeled trajectory of this variant in the U.S. exhibits rapid growth in early 2021, becoming the predominant variant in March. Increased SARS-CoV-2 transmission might threaten strained health care resources, require extended and more rigorous implementation of public health strategies (4), and increase the percentage of population immunity required for pandemic control. Taking measures to reduce transmission now can lessen the potential impact of B.1.1.7 and allow critical time to increase vaccination coverage. Collectively, enhanced genomic surveillance combined with continued compliance with effective public health measures, including vaccination, physical distancing, use of masks, hand hygiene, and isolation and quarantine, will be essential to limiting the spread of SARS-CoV-2, the virus that causes coronavirus disease 2019 (COVID-19). Strategic testing of persons without symptoms but at higher risk of infection, such as those exposed to SARS-CoV-2 or who have frequent unavoidable contact with the public, provides another opportunity to limit ongoing spread.

Dengue viruses are major contributors to illness and death globally. Here we analyze the extrinsic and intrinsic incubation periods (EIP and IIP), in the mosquito and human, respectively. We identified 146 EIP observations from 8 studies and 204 IIP observations from 35 studies. These data were fitted with censored Bayesian time-to-event models. The best-fitting temperature-dependent EIP model estimated that 95% of EIPs are between 5 and 33 days at 25°C, and 2 and 15 days at 30°C, with means of 15 and 6.5 days, respectively. The mean IIP estimate was 5.9 days, with 95% expected between days 3 and 10. Differences between serotypes were not identified for either incubation period. These incubation period models should be useful in clinical diagnosis, outbreak investigation, prevention and control efforts, and mathematical modeling of dengue virus transmission.

Significance Dengue virus has rapidly spread into new human populations due to human travel and changing suitability for the mosquito vector, causing severe febrile illness and significant mortality. Accurate predictive models identifying changing vulnerability to dengue outbreaks are necessary for epidemic preparedness and containment of the virus. Here we show that an epidemiological model of dengue transmission in travelers, based on mobility data from ∼40 million mobile phone subscribers and climatic information, predicts the geographic spread and timing of epidemics throughout the country. We generate fine-scale dynamic risk maps with direct application to dengue containment and epidemic preparedness.

The survival of adult female Aedes mosquitoes is a critical component of their ability to transmit pathogens such as dengue viruses. One of the principal determinants of Aedes survival is temperature, which has been associated with seasonal changes in Aedes populations and limits their geographical distribution. The effects of temperature and other sources of mortality have been studied in the field, often via mark-release-recapture experiments, and under controlled conditions in the laboratory. Survival results differ and reconciling predictions between the two settings has been hindered by variable measurements from different experimental protocols, lack of precision in measuring survival of free-ranging mosquitoes, and uncertainty about the role of age-dependent mortality in the field. Here we apply generalised additive models to data from 351 published adult Ae. aegypti and Ae. albopictus survival experiments in the laboratory to create survival models for each species across their range of viable temperatures. These models are then adjusted to estimate survival at different temperatures in the field using data from 59 Ae. aegypti and Ae. albopictus field survivorship experiments. The uncertainty at each stage of the modelling process is propagated through to provide confidence intervals around our predictions. Our results indicate that adult Ae. albopictus has higher survival than Ae. aegypti in the laboratory and field, however, Ae. aegypti can tolerate a wider range of temperatures. A full breakdown of survival by age and temperature is given for both species. The differences between laboratory and field models also give insight into the relative contributions to mortality from temperature, other environmental factors, and senescence and over what ranges these factors can be important. Our results support the importance of producing site-specific mosquito survival estimates. By including fluctuating temperature regimes, our models provide insight into seasonal patterns of Ae. aegypti and Ae. albopictus population dynamics that may be relevant to seasonal changes in dengue virus transmission. Our models can be integrated with Aedes and dengue modelling efforts to guide and evaluate vector control, better map the distribution of disease and produce early warning systems for dengue epidemics.

An analysis of data from Brazil reveals a strong association between the risk of microcephaly in a newborn and the risk of Zika virus infection during the mother's first trimester of pregnancy. The association in the second and third trimesters was negligible.

Abstract Seasonal influenza results in substantial annual morbidity and mortality in the United States and worldwide. Accurate forecasts of key features of influenza epidemics, such as the timing and severity of the peak incidence in a given season, can inform public health response to outbreaks. As part of ongoing efforts to incorporate data and advanced analytical methods into public health decision-making, the United States Centers for Disease Control and Prevention (CDC) has organized seasonal influenza forecasting challenges since the 2013/2014 season. In the 2017/2018 season, 22 teams participated. A subset of four teams created a research consortium called the FluSight Network in early 2017. During the 2017/2018 season they worked together to produce a collaborative multi-model ensemble that combined 21 separate component models into a single model using a machine learning technique called stacking. This approach creates a weighted average of predictive densities where the weight for each component is based on that component’s forecast accuracy in past seasons. In the 2017/2018 influenza season, one of the largest seasonal outbreaks in the last 15 years, this multi-model ensemble performed better on average than all individual component models and placed second overall in the CDC challenge. It also outperformed the baseline multi-model ensemble created by the CDC that took a simple average of all models submitted to the forecasting challenge. This project shows that collaborative efforts between research teams to develop ensemble forecasting approaches can bring measurable improvements in forecast accuracy and important reductions in the variability of performance from year to year. Efforts such as this, that emphasize real-time testing and evaluation of forecasting models and facilitate the close collaboration between public health officials and modeling researchers, are essential to improving our understanding of how best to use forecasts to improve public health response to seasonal and emerging epidemic threats.

Abstract Introduction The 2015-2017 Zika virus (ZIKV) epidemic in the Americas has driven efforts to strengthen surveillance systems and to develop interventions, testing, and travel recommendations. In the continental U.S. and Hawaii, where limited transmission has been observed, detecting local transmission is a key public health objective. We assessed the effectiveness of three general surveillance strategies for this situation: testing all pregnant women twice during pregnancy, testing blood donations, and testing symptomatic people who seek medical care in an emergency department (ED). Methods We developed a simulation model for each surveillance strategy and simulated different transmission scenarios with varying population sizes and infection rates. We then calculated the probability of detecting transmission, the number of tests needed, and the number of false positive test results. Results The probability of detecting ZIKV transmission was highest for testing ED patients with Zika symptoms, followed by pregnant women and blood donors, in that order. The magnitude of the difference in probability of detection between strategies depended on the incidence of infection. Testing ED patients required fewer tests and resulted in fewer false positives than surveillance among pregnant women. The optimal strategy identified was to test ED patients with at least two Zika virus disease symptoms. This case definition resulted in a high probability of detection with relatively few tests and false positives. Discussion In the continental U.S. and Hawaii, where local ZIKV transmission is rare, optimizing the probability of detecting infections while minimizing resource usage is particularly important. Local surveillance strategies will be influenced by existing public health system infrastructure, but should also consider the effectiveness of different approaches. This analysis demonstrated differences across strategies and indicated that testing symptomatic ED patients is generally a more efficient strategy for detecting transmission than routine testing of pregnant women or blood donors.

Amidst the ongoing Zika epidemic, Zika virus (ZIKV) infection has been linked to various adverse pregnancy outcomes including microcephaly and other developmental defects, collectively referred to as congenital Zika syndrome. The magnitude of risk associated with ZIKV infection during pregnancy remains uncertain, with data from French Polynesia suggesting a 1% risk of microcephaly for pregnancies experiencing ZIKV infection in the first trimester. Temporal data on suspect Zika cases and microcephaly in Bahia, Brazil substantiate this finding, indicating a strong association between ZIKV infection risk in the first trimester of pregnancy and microcephaly, with an estimated risk of 1-13% (reflecting substantial uncertainties in available data). Microcephaly is just one indicator of congenital Zika syndrome, risk may extend beyond the first trimester, and current estimates lack precision, yet early estimates of risk are critical to public health planning as the epidemic progresses.

Many important endemic and emerging diseases are vector-borne. The functional traits of vectors affect not just pathogen transmission rates, but also the fitness and population dynamics of these animals themselves. Increasing empirical evidence suggests that vector traits vary significantly at time scales relevant to transmission dynamics. Currently, an understanding of how this variation in key traits impacts transmission is hindered by a lack of both empirical data and theoretical methods for mechanistically incorporating traits into transmission models. Here, we present a framework for incorporating both intrinsic and environment-driven variation in vector traits into empirical and theoretical vector-borne disease research. This framework mechanistically captures the effect of trait variation on vector fitness, the correlation between vector traits, and how these together determine transmission dynamics. We illustrate how trait-based vector-borne disease modelling can make novel predictions, and identify key steps and challenges in the construction, empirical parameterisation and validation of such models, as well as the organization and prioritization of data collection efforts.