Abstract Social contact data are increasingly being used to inform models for infectious disease spread with the aim of guiding effective policies on disease prevention and control. In this paper, we undertake a systematic review of the study design, statistical analyses and outcomes of the many social contact surveys that have been published. Our primary focus is to identify the designs that have worked best and the most important determinants and to highlight the most robust findings. Two publicly accessible online databases were systematically searched for articles regarding social contact surveys. PRISMA guidelines were followed as closely as possible. In total, 64 social contact surveys were identified. These surveys were conducted in 24 countries, and more than 80% of the surveys were conducted in high-income countries. Study settings included general population (58%), schools/universities (37%) and health care/conference/research institutes (5%). The majority of studies did not focus on a specific age group (38%), whereas others focused on adults (32%) or children (19%). Retrospective and prospective designs were used mostly (45% and 41% of the surveys, respectively) with 6% using both for comparison purposes. The definition of a contact varied among surveys, e.g. a non-physical contact may require conversation, close proximity or both. Age, time schedule (e.g., weekday/weekend) and household size were identified as relevant determinants for contact pattern across a large number of studies. The surveys present a wide range of study designs. Throughout, we found that the overall contact patterns were remarkably robust for the study details. By considering the most common approach in each aspect of design (e.g., sampling schemes, data collection, definition of contact), we could identify a common practice approach that can be used to facilitate comparison between studies and for benchmarking future studies.

Seasonal waves of influenza display a complex spatiotemporal pattern resulting from the interplay of biological, socio-demographic, and environmental factors. At country level many studies characterized the robust properties of annual epidemics, depicting a typical season. Here we analyzed season-by-season variability, introducing a clustering approach to assess the deviations from typical spreading patterns. The classification is performed on the similarity of temporal configurations of onset and peak times of regional epidemics, based on influenza-like-illness time-series in France from 1984 to 2014. We observed a larger variability in the onset compared to the peak. Two relevant classes of clusters emerge: groups of seasons sharing similar recurrent spreading patterns (clustered seasons) and single seasons displaying unique patterns (monoids). Recurrent patterns exhibit a more pronounced spatial signature than unique patterns. We assessed how seasons shift between these classes from onset to peak depending on epidemiological, environmental, and socio-demographic variables. We found that the spatial dynamics of influenza and its association with commuting, previously observed as a general property of French influenza epidemics, applies only to seasons exhibiting recurrent patterns. The proposed methodology is successful in providing new insights on influenza spread and can be applied to incidence time-series of different countries and different diseases.

School closure is often considered as an option to mitigate influenza epidemics because of its potential to reduce transmission in children and then in the community. The policy is still however highly debated because of controversial evidence. Moreover, the specific mechanisms leading to mitigation are not clearly identified. We introduced a stochastic spatial age-specific metapopulation model to assess the role of holiday-associated behavioral changes and how they affect seasonal influenza dynamics. The model is applied to Belgium, parameterized with country-specific data on social mixing and travel, and calibrated to the 2008/2009 influenza season. It includes behavioral changes occurring during weekend vs. weekday, and holiday vs. school-term. Several experimental scenarios are explored to identify the relevant social and behavioral mechanisms. Stochastic numerical simulations show that holidays considerably delay the peak of the season and mitigate its impact. Changes in mixing patterns are responsible for the observed effects, whereas changes in travel behavior do not alter the epidemic. Weekends are important in slowing down the season by periodically dampening transmission. Christmas holidays have the largest impact on the epidemic, however later school breaks may help in reducing the epidemic size, stressing the importance of considering the full calendar. An extension of the Christmas holiday of one week may further mitigate the epidemic. Changes in the way individuals establish contacts during holidays are the key ingredient explaining the mitigating effect of regular school closure. Our findings highlight the need to quantify these changes in different demographic and epidemic contexts in order to provide accurate and reliable evaluations of closure effectiveness. They also suggest strategic policies in the distribution of holiday periods to minimize the epidemic impact.

This note provides correction to some numerical results in Krivitsky P. N., Coletti, P., and Hens, N. (2023), "A Tale of Two Datasets: Representativeness and Generalisability of Inference for Samples of Networks," Journal of the American Statistical Association, 118, 2213–2224.