BackgroundIsolation of cases and contact tracing is used to control outbreaks of infectious diseases, and has been used for coronavirus disease 2019 (COVID-19). Whether this strategy will achieve control depends on characteristics of both the pathogen and the response. Here we use a mathematical model to assess if isolation and contact tracing are able to control onwards transmission from imported cases of COVID-19.MethodsWe developed a stochastic transmission model, parameterised to the COVID-19 outbreak. We used the model to quantify the potential effectiveness of contact tracing and isolation of cases at controlling a severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)-like pathogen. We considered scenarios that varied in the number of initial cases, the basic reproduction number (R0), the delay from symptom onset to isolation, the probability that contacts were traced, the proportion of transmission that occurred before symptom onset, and the proportion of subclinical infections. We assumed isolation prevented all further transmission in the model. Outbreaks were deemed controlled if transmission ended within 12 weeks or before 5000 cases in total. We measured the success of controlling outbreaks using isolation and contact tracing, and quantified the weekly maximum number of cases traced to measure feasibility of public health effort.FindingsSimulated outbreaks starting with five initial cases, an R0 of 1·5, and 0% transmission before symptom onset could be controlled even with low contact tracing probability; however, the probability of controlling an outbreak decreased with the number of initial cases, when R0 was 2·5 or 3·5 and with more transmission before symptom onset. Across different initial numbers of cases, the majority of scenarios with an R0 of 1·5 were controllable with less than 50% of contacts successfully traced. To control the majority of outbreaks, for R0 of 2·5 more than 70% of contacts had to be traced, and for an R0 of 3·5 more than 90% of contacts had to be traced. The delay between symptom onset and isolation had the largest role in determining whether an outbreak was controllable when R0 was 1·5. For R0 values of 2·5 or 3·5, if there were 40 initial cases, contact tracing and isolation were only potentially feasible when less than 1% of transmission occurred before symptom onset.InterpretationIn most scenarios, highly effective contact tracing and case isolation is enough to control a new outbreak of COVID-19 within 3 months. The probability of control decreases with long delays from symptom onset to isolation, fewer cases ascertained by contact tracing, and increasing transmission before symptoms. This model can be modified to reflect updated transmission characteristics and more specific definitions of outbreak control to assess the potential success of local response efforts.FundingWellcome Trust, Global Challenges Research Fund, and Health Data Research UK.

UK variant transmission Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) has the capacity to generate variants with major genomic changes. The UK variant B.1.1.7 (also known as VOC 202012/01) has many mutations that alter virus attachment and entry into human cells. Using a variety of statistical and dynamic modeling approaches, Davies et al. characterized the spread of the B.1.1.7 variant in the United Kingdom. The authors found that the variant is 43 to 90% more transmissible than the predecessor lineage but saw no clear evidence for a change in disease severity, although enhanced transmission will lead to higher incidence and more hospital admissions. Large resurgences of the virus are likely to occur after the easing of control measures, and it may be necessary to greatly accelerate vaccine roll-out to control the epidemic. Science , this issue p. eabg3055

BackgroundIn December, 2019, severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2), a novel coronavirus, emerged in Wuhan, China. Since then, the city of Wuhan has taken unprecedented measures in response to the outbreak, including extended school and workplace closures. We aimed to estimate the effects of physical distancing measures on the progression of the COVID-19 epidemic, hoping to provide some insights for the rest of the world.MethodsTo examine how changes in population mixing have affected outbreak progression in Wuhan, we used synthetic location-specific contact patterns in Wuhan and adapted these in the presence of school closures, extended workplace closures, and a reduction in mixing in the general community. Using these matrices and the latest estimates of the epidemiological parameters of the Wuhan outbreak, we simulated the ongoing trajectory of an outbreak in Wuhan using an age-structured susceptible-exposed-infected-removed (SEIR) model for several physical distancing measures. We fitted the latest estimates of epidemic parameters from a transmission model to data on local and internationally exported cases from Wuhan in an age-structured epidemic framework and investigated the age distribution of cases. We also simulated lifting of the control measures by allowing people to return to work in a phased-in way and looked at the effects of returning to work at different stages of the underlying outbreak (at the beginning of March or April).FindingsOur projections show that physical distancing measures were most effective if the staggered return to work was at the beginning of April; this reduced the median number of infections by more than 92% (IQR 66–97) and 24% (13–90) in mid-2020 and end-2020, respectively. There are benefits to sustaining these measures until April in terms of delaying and reducing the height of the peak, median epidemic size at end-2020, and affording health-care systems more time to expand and respond. However, the modelled effects of physical distancing measures vary by the duration of infectiousness and the role school children have in the epidemic.InterpretationRestrictions on activities in Wuhan, if maintained until April, would probably help to delay the epidemic peak. Our projections suggest that premature and sudden lifting of interventions could lead to an earlier secondary peak, which could be flattened by relaxing the interventions gradually. However, there are limitations to our analysis, including large uncertainties around estimates of R0 and the duration of infectiousness.FundingBill & Melinda Gates Foundation, National Institute for Health Research, Wellcome Trust, and Health Data Research UK.

Summary

Background

 The omicron variant (B.1.1.529) of SARS-CoV-2 has demonstrated partial vaccine escape and high transmissibility, with early studies indicating lower severity of infection than that of the delta variant (B.1.617.2). We aimed to better characterise omicron severity relative to delta by assessing the relative risk of hospital attendance, hospital admission, or death in a large national cohort. 

Methods

 Individual-level data on laboratory-confirmed COVID-19 cases resident in England between Nov 29, 2021, and Jan 9, 2022, were linked to routine datasets on vaccination status, hospital attendance and admission, and mortality. The relative risk of hospital attendance or admission within 14 days, or death within 28 days after confirmed infection, was estimated using proportional hazards regression. Analyses were stratified by test date, 10-year age band, ethnicity, residential region, and vaccination status, and were further adjusted for sex, index of multiple deprivation decile, evidence of a previous infection, and year of age within each age band. A secondary analysis estimated variant-specific and vaccine-specific vaccine effectiveness and the intrinsic relative severity of omicron infection compared with delta (ie, the relative risk in unvaccinated cases). 

Findings

 The adjusted hazard ratio (HR) of hospital attendance (not necessarily resulting in admission) with omicron compared with delta was 0·56 (95% CI 0·54–0·58); for hospital admission and death, HR estimates were 0·41 (0·39–0·43) and 0·31 (0·26–0·37), respectively. Omicron versus delta HR estimates varied with age for all endpoints examined. The adjusted HR for hospital admission was 1·10 (0·85–1·42) in those younger than 10 years, decreasing to 0·25 (0·21–0·30) in 60–69-year-olds, and then increasing to 0·47 (0·40–0·56) in those aged at least 80 years. For both variants, past infection gave some protection against death both in vaccinated (HR 0·47 [0·32–0·68]) and unvaccinated (0·18 [0·06–0·57]) cases. In vaccinated cases, past infection offered no additional protection against hospital admission beyond that provided by vaccination (HR 0·96 [0·88–1·04]); however, for unvaccinated cases, past infection gave moderate protection (HR 0·55 [0·48–0·63]). Omicron versus delta HR estimates were lower for hospital admission (0·30 [0·28–0·32]) in unvaccinated cases than the corresponding HR estimated for all cases in the primary analysis. Booster vaccination with an mRNA vaccine was highly protective against hospitalisation and death in omicron cases (HR for hospital admission 8–11 weeks post-booster vs unvaccinated: 0·22 [0·20–0·24]), with the protection afforded after a booster not being affected by the vaccine used for doses 1 and 2. 

Interpretation

 The risk of severe outcomes following SARS-CoV-2 infection is substantially lower for omicron than for delta, with higher reductions for more severe endpoints and significant variation with age. Underlying the observed risks is a larger reduction in intrinsic severity (in unvaccinated individuals) counterbalanced by a reduction in vaccine effectiveness. Documented previous SARS-CoV-2 infection offered some protection against hospitalisation and high protection against death in unvaccinated individuals, but only offered additional protection in vaccinated individuals for the death endpoint. Booster vaccination with mRNA vaccines maintains over 70% protection against hospitalisation and death in breakthrough confirmed omicron infections. 

Funding

 Medical Research Council, UK Research and Innovation, Department of Health and Social Care, National Institute for Health Research, Community Jameel, and Engineering and Physical Sciences Research Council.

BackgroundThe risk of severe COVID-19 if an individual becomes infected is known to be higher in older individuals and those with underlying health conditions. Understanding the number of individuals at increased risk of severe COVID-19 and how this varies between countries should inform the design of possible strategies to shield or vaccinate those at highest risk.MethodsWe estimated the number of individuals at increased risk of severe disease (defined as those with at least one condition listed as "at increased risk of severe COVID-19" in current guidelines) by age (5-year age groups), sex, and country for 188 countries using prevalence data from the Global Burden of Diseases, Injuries, and Risk Factors Study (GBD) 2017 and UN population estimates for 2020. The list of underlying conditions relevant to COVID-19 was determined by mapping the conditions listed in GBD 2017 to those listed in guidelines published by WHO and public health agencies in the UK and the USA. We analysed data from two large multimorbidity studies to determine appropriate adjustment factors for clustering and multimorbidity. To help interpretation of the degree of risk among those at increased risk, we also estimated the number of individuals at high risk (defined as those that would require hospital admission if infected) using age-specific infection–hospitalisation ratios for COVID-19 estimated for mainland China and making adjustments to reflect country-specific differences in the prevalence of underlying conditions and frailty. We assumed males were twice at likely as females to be at high risk. We also calculated the number of individuals without an underlying condition that could be considered at increased risk because of their age, using minimum ages from 50 to 70 years. We generated uncertainty intervals (UIs) for our estimates by running low and high scenarios using the lower and upper 95% confidence limits for country population size, disease prevalences, multimorbidity fractions, and infection–hospitalisation ratios, and plausible low and high estimates for the degree of clustering, informed by multimorbidity studies.FindingsWe estimated that 1·7 billion (UI 1·0–2·4) people, comprising 22% (UI 15–28) of the global population, have at least one underlying condition that puts them at increased risk of severe COVID-19 if infected (ranging from <5% of those younger than 20 years to >66% of those aged 70 years or older). We estimated that 349 million (186–787) people (4% [3–9] of the global population) are at high risk of severe COVID-19 and would require hospital admission if infected (ranging from <1% of those younger than 20 years to approximately 20% of those aged 70 years or older). We estimated 6% (3–12) of males to be at high risk compared with 3% (2–7) of females. The share of the population at increased risk was highest in countries with older populations, African countries with high HIV/AIDS prevalence, and small island nations with high diabetes prevalence. Estimates of the number of individuals at increased risk were most sensitive to the prevalence of chronic kidney disease, diabetes, cardiovascular disease, and chronic respiratory disease.InterpretationAbout one in five individuals worldwide could be at increased risk of severe COVID-19, should they become infected, due to underlying health conditions, but this risk varies considerably by age. Our estimates are uncertain, and focus on underlying conditions rather than other risk factors such as ethnicity, socioeconomic deprivation, and obesity, but provide a starting point for considering the number of individuals that might need to be shielded or vaccinated as the global pandemic unfolds.FundingUK Department for International Development, Wellcome Trust, Health Data Research UK, Medical Research Council, and National Institute for Health Research.

BackgroundThe isolation of symptomatic cases and tracing of contacts has been used as an early COVID-19 containment measure in many countries, with additional physical distancing measures also introduced as outbreaks have grown. To maintain control of infection while also reducing disruption to populations, there is a need to understand what combination of measures—including novel digital tracing approaches and less intensive physical distancing—might be required to reduce transmission. We aimed to estimate the reduction in transmission under different control measures across settings and how many contacts would be quarantined per day in different strategies for a given level of symptomatic case incidence.MethodsFor this mathematical modelling study, we used a model of individual-level transmission stratified by setting (household, work, school, or other) based on BBC Pandemic data from 40 162 UK participants. We simulated the effect of a range of different testing, isolation, tracing, and physical distancing scenarios. Under optimistic but plausible assumptions, we estimated reduction in the effective reproduction number and the number of contacts that would be newly quarantined each day under different strategies.ResultsWe estimated that combined isolation and tracing strategies would reduce transmission more than mass testing or self-isolation alone: mean transmission reduction of 2% for mass random testing of 5% of the population each week, 29% for self-isolation alone of symptomatic cases within the household, 35% for self-isolation alone outside the household, 37% for self-isolation plus household quarantine, 64% for self-isolation and household quarantine with the addition of manual contact tracing of all contacts, 57% with the addition of manual tracing of acquaintances only, and 47% with the addition of app-based tracing only. If limits were placed on gatherings outside of home, school, or work, then manual contact tracing of acquaintances alone could have an effect on transmission reduction similar to that of detailed contact tracing. In a scenario where 1000 new symptomatic cases that met the definition to trigger contact tracing occurred per day, we estimated that, in most contact tracing strategies, 15 000–41 000 contacts would be newly quarantined each day.InterpretationConsistent with previous modelling studies and country-specific COVID-19 responses to date, our analysis estimated that a high proportion of cases would need to self-isolate and a high proportion of their contacts to be successfully traced to ensure an effective reproduction number lower than 1 in the absence of other measures. If combined with moderate physical distancing measures, self-isolation and contact tracing would be more likely to achieve control of severe acute respiratory syndrome coronavirus 2 transmission.FundingWellcome Trust, UK Engineering and Physical Sciences Research Council, European Commission, Royal Society, Medical Research Council.

BackgroundNon-pharmaceutical interventions have been implemented to reduce transmission of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) in the UK. Projecting the size of an unmitigated epidemic and the potential effect of different control measures has been crucial to support evidence-based policy making during the early stages of the epidemic. This study assesses the potential impact of different control measures for mitigating the burden of COVID-19 in the UK.MethodsWe used a stochastic age-structured transmission model to explore a range of intervention scenarios, tracking 66·4 million people aggregated to 186 county-level administrative units in England, Wales, Scotland, and Northern Ireland. The four base interventions modelled were school closures, physical distancing, shielding of people aged 70 years or older, and self-isolation of symptomatic cases. We also modelled the combination of these interventions, as well as a programme of intensive interventions with phased lockdown-type restrictions that substantially limited contacts outside of the home for repeated periods. We simulated different triggers for the introduction of interventions, and estimated the impact of varying adherence to interventions across counties. For each scenario, we projected estimated new cases over time, patients requiring inpatient and critical care (ie, admission to the intensive care units [ICU]) treatment, and deaths, and compared the effect of each intervention on the basic reproduction number, R0.FindingsWe projected a median unmitigated burden of 23 million (95% prediction interval 13–30) clinical cases and 350 000 deaths (170 000–480 000) due to COVID-19 in the UK by December, 2021. We found that the four base interventions were each likely to decrease R0, but not sufficiently to prevent ICU demand from exceeding health service capacity. The combined intervention was more effective at reducing R0, but only lockdown periods were sufficient to bring R0 near or below 1; the most stringent lockdown scenario resulted in a projected 120 000 cases (46 000–700 000) and 50 000 deaths (9300–160 000). Intensive interventions with lockdown periods would need to be in place for a large proportion of the coming year to prevent health-care demand exceeding availability.InterpretationThe characteristics of SARS-CoV-2 mean that extreme measures are probably required to bring the epidemic under control and to prevent very large numbers of deaths and an excess of demand on hospital beds, especially those in ICUs.FundingMedical Research Council.

Estimation of the effective reproductive number Rt is important for detecting changes in disease transmission over time. During the Coronavirus Disease 2019 (COVID-19) pandemic, policy makers and public health officials are using Rt to assess the effectiveness of interventions and to inform policy. However, estimation of Rt from available data presents several challenges, with critical implications for the interpretation of the course of the pandemic. The purpose of this document is to summarize these challenges, illustrate them with examples from synthetic data, and, where possible, make recommendations. For near real-time estimation of Rt, we recommend the approach of Cori and colleagues, which uses data from before time t and empirical estimates of the distribution of time between infections. Methods that require data from after time t, such as Wallinga and Teunis, are conceptually and methodologically less suited for near real-time estimation, but may be appropriate for retrospective analyses of how individuals infected at different time points contributed to the spread. We advise caution when using methods derived from the approach of Bettencourt and Ribeiro, as the resulting Rt estimates may be biased if the underlying structural assumptions are not met. Two key challenges common to all approaches are accurate specification of the generation interval and reconstruction of the time series of new infections from observations occurring long after the moment of transmission. Naive approaches for dealing with observation delays, such as subtracting delays sampled from a distribution, can introduce bias. We provide suggestions for how to mitigate this and other technical challenges and highlight open problems in Rt estimation.

Adjusting for delay from confirmation to death, we estimated case and infection fatality ratios (CFR, IFR) for coronavirus disease (COVID-19) on the Diamond Princess ship as 2.6% (95% confidence interval (CI): 0.89–6.7) and 1.3% (95% CI: 0.38–3.6), respectively. Comparing deaths on board with expected deaths based on naive CFR estimates from China, we estimated CFR and IFR in China to be 1.2% (95% CI: 0.3–2.7) and 0.6% (95% CI: 0.2–1.3), respectively.

SummaryBackgroundNational immunisation programmes globally are at risk of suspension due to the severe health system constraints and physical distancing measures in place to mitigate the ongoing COVID-19 pandemic. We aimed to compare the health benefits of sustaining routine childhood immunisation in Africa with the risk of acquiring severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infection through visiting routine vaccination service delivery points.MethodsWe considered a high-impact scenario and a low-impact scenario to approximate the child deaths that could be caused by immunisation coverage reductions during COVID-19 outbreaks. In the high-impact scenario, we used previously reported country-specific child mortality impact estimates of childhood immunisation for diphtheria, tetanus, pertussis, hepatitis B, Haemophilus influenzae type b, Streptococcus pneumoniae, rotavirus, measles, meningitis A, rubella, and yellow fever to approximate the future deaths averted before 5 years of age by routine childhood vaccination during a 6-month COVID-19 risk period without catch-up campaigns. In the low-impact scenario, we approximated the health benefits of sustaining routine childhood immunisation on only the child deaths averted from measles outbreaks during the COVID-19 risk period. We assumed that contact-reducing interventions flattened the outbreak curve during the COVID-19 risk period, that 60% of the population will have been infected by the end of that period, that children can be infected by either vaccinators or during transport, and that upon child infection the whole household will be infected. Country-specific household age structure estimates and age-dependent infection-fatality rates were applied to calculate the number of deaths attributable to the vaccination clinic visits. We present benefit–risk ratios for routine childhood immunisation, with 95% uncertainty intervals (UIs) from a probabilistic sensitivity analysis.FindingsIn the high-impact scenario, for every one excess COVID-19 death attributable to SARS-CoV-2 infections acquired during routine vaccination clinic visits, 84 (95% UI 14–267) deaths in children could be prevented by sustaining routine childhood immunisation in Africa. The benefit–risk ratio for the vaccinated children is 85 000 (4900–546 000), for their siblings (<20 years) is 75 000 (4400–483 000), for their parents or adult carers (aged 20–60 years) is 769 (148–2700), and for older adults (>60 years) is 96 (14–307). In the low-impact scenario that approximates the health benefits to only the child deaths averted from measles outbreaks, the benefit–risk ratio to the households of vaccinated children is 3 (0·5–10); if the risk to only the vaccinated children is considered, the benefit–risk ratio is 3000 (182–21 000).InterpretationThe deaths prevented by sustaining routine childhood immunisation in Africa outweigh the excess risk of COVID-19 deaths associated with vaccination clinic visits, especially for the vaccinated children. Routine childhood immunisation should be sustained in Africa as much as possible, while considering other factors such as logistical constraints, staff shortages, and reallocation of resources during the COVID-19 pandemic.FundingGavi, the Vaccine Alliance; Bill & Melinda Gates Foundation.