The ongoing coronavirus disease 2019 (COVID-19) outbreak expanded rapidly throughout China. Major behavioral, clinical, and state interventions were undertaken to mitigate the epidemic and prevent the persistence of the virus in human populations in China and worldwide. It remains unclear how these unprecedented interventions, including travel restrictions, affected COVID-19 spread in China. We used real-time mobility data from Wuhan and detailed case data including travel history to elucidate the role of case importation in transmission in cities across China and to ascertain the impact of control measures. Early on, the spatial distribution of COVID-19 cases in China was explained well by human mobility data. After the implementation of control measures, this correlation dropped and growth rates became negative in most locations, although shifts in the demographics of reported cases were still indicative of local chains of transmission outside of Wuhan. This study shows that the drastic control measures implemented in China substantially mitigated the spread of COVID-19.

As the coronavirus disease 2019 (COVID-19) epidemic worsens, understanding the effectiveness of public messaging and large-scale social distancing interventions is critical. The research and public health response communities can and should use population mobility data collected by private companies, with appropriate legal, organizational, and computational safeguards in place. When aggregated, these data can help refine interventions by providing near real-time information about changes in patterns of human movement.

Abstract Cases of a novel coronavirus were first reported in Wuhan, Hubei province, China, in December 2019 and have since spread across the world. Epidemiological studies have indicated human-to-human transmission in China and elsewhere. To aid the analysis and tracking of the COVID-19 epidemic we collected and curated individual-level data from national, provincial, and municipal health reports, as well as additional information from online reports. All data are geo-coded and, where available, include symptoms, key dates (date of onset, admission, and confirmation), and travel history. The generation of detailed, real-time, and robust data for emerging disease outbreaks is important and can help to generate robust evidence that will support and inform public health decision making.

Ancestral environmental exposures have previously been shown to promote epigenetic transgenerational inheritance and influence all aspects of an individual’s life history. In addition, proximate life events such as chronic stress have documented effects on the development of physiological, neural, and behavioral phenotypes in adulthood. We used a systems biology approach to investigate in male rats the interaction of the ancestral modifications carried transgenerationally in the germ line and the proximate modifications involving chronic restraint stress during adolescence. We find that a single exposure to a common-use fungicide (vinclozolin) three generations removed alters the physiology, behavior, metabolic activity, and transcriptome in discrete brain nuclei in descendant males, causing them to respond differently to chronic restraint stress. This alteration of baseline brain development promotes a change in neural genomic activity that correlates with changes in physiology and behavior, revealing the interaction of genetics, environment, and epigenetic transgenerational inheritance in the shaping of the adult phenotype. This is an important demonstration in an animal that ancestral exposure to an environmental compound modifies how descendants of these progenitor individuals perceive and respond to a stress challenge experienced during their own life history.

Face masks have become commonplace across the USA because of the severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) epidemic. Although evidence suggests that masks help to curb the spread of the disease, there is little empirical research at the population level. We investigate the association between self-reported mask-wearing, physical distancing, and SARS-CoV-2 transmission in the USA, along with the effect of statewide mandates on mask uptake.Serial cross-sectional surveys were administered via a web platform to randomly surveyed US individuals aged 13 years and older, to query self-reports of face mask-wearing. Survey responses were combined with instantaneous reproductive number (Rt) estimates from two publicly available sources, the outcome of interest. Measures of physical distancing, community demographics, and other potential sources of confounding (from publicly available sources) were also assessed. We fitted multivariate logistic regression models to estimate the association between mask-wearing and community transmission control (Rt<1). Additionally, mask-wearing in 12 states was evaluated 2 weeks before and after statewide mandates.378 207 individuals responded to the survey between June 3 and July 27, 2020, of which 4186 were excluded for missing data. We observed an increasing trend in reported mask usage across the USA, although uptake varied by geography. A logistic model controlling for physical distancing, population demographics, and other variables found that a 10% increase in self-reported mask-wearing was associated with an increased odds of transmission control (odds ratio 3·53, 95% CI 2·03-6·43). We found that communities with high reported mask-wearing and physical distancing had the highest predicted probability of transmission control. Segmented regression analysis of reported mask-wearing showed no statistically significant change in the slope after mandates were introduced; however, the upward trend in reported mask-wearing was preserved.The widespread reported use of face masks combined with physical distancing increases the odds of SARS-CoV-2 transmission control. Self-reported mask-wearing increased separately from government mask mandates, suggesting that supplemental public health interventions are needed to maximise adoption and help to curb the ongoing epidemic.Flu Lab, Google.org (via the Tides Foundation), National Institutes for Health, National Science Foundation, Morris-Singer Foundation, MOOD, Branco Weiss Fellowship, Ending Pandemics, Centers for Disease Control and Prevention (USA).

Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2), the etiological agent of the Coronavirus Disease 2019 (COVID-19) disease, has moved rapidly around the globe, infecting millions and killing hundreds of thousands. The basic reproduction number, which has been widely used—appropriately and less appropriately—to characterize the transmissibility of the virus, hides the fact that transmission is stochastic, often dominated by a small number of individuals, and heavily influenced by superspreading events (SSEs). The distinct transmission features of SARS-CoV-2, e.g., high stochasticity under low prevalence (as compared to other pathogens, such as influenza), and the central role played by SSEs on transmission dynamics cannot be overlooked. Many explosive SSEs have occurred in indoor settings, stoking the pandemic and shaping its spread, such as long-term care facilities, prisons, meat-packing plants, produce processing facilities, fish factories, cruise ships, family gatherings, parties, and nightclubs. These SSEs demonstrate the urgent need to understand routes of transmission, while posing an opportunity to effectively contain outbreaks with targeted interventions to eliminate SSEs. Here, we describe the different types of SSEs, how they influence transmission, empirical evidence for their role in the COVID-19 pandemic, and give recommendations for control of SARS-CoV-2.

Novel data streams (NDS), such as web search data or social media updates, hold promise for enhancing the capabilities of public health surveillance. In this paper, we outline a conceptual framework for integrating NDS into current public health surveillance. Our approach focuses on two key questions: What are the opportunities for using NDS and what are the minimal tests of validity and utility that must be applied when using NDS? Identifying these opportunities will necessitate the involvement of public health authorities and an appreciation of the diversity of objectives and scales across agencies at different levels (local, state, national, international). We present the case that clearly articulating surveillance objectives and systematically evaluating NDS and comparing the performance of NDS to existing surveillance data and alternative NDS data is critical and has not sufficiently been addressed in many applications of NDS currently in the literature.

The recent increase in whooping cough incidence (primarily caused by Bordetella pertussis) presents a challenge to both public health practitioners and scientists trying to understand the mechanisms behind its resurgence. Three main hypotheses have been proposed to explain the resurgence: 1) waning of protective immunity from vaccination or natural infection over time, 2) evolution of B. pertussis to escape protective immunity, and 3) low vaccine coverage. Recent studies have suggested a fourth mechanism: asymptomatic transmission from individuals vaccinated with the currently used acellular B. pertussis vaccines.Using wavelet analyses of B. pertussis incidence in the United States (US) and United Kingdom (UK) and a phylodynamic analysis of 36 clinical B. pertussis isolates from the US, we find evidence in support of asymptomatic transmission of B. pertussis. Next, we examine the clinical, public health, and epidemiological consequences of asymptomatic B. pertussis transmission using a mathematical model.We find that: 1) the timing of changes in age-specific attack rates observed in the US and UK are consistent with asymptomatic transmission; 2) the phylodynamic analysis of the US sequences indicates more genetic diversity in the overall bacterial population than would be suggested by the observed number of infections, a pattern expected with asymptomatic transmission; 3) asymptomatic infections can bias assessments of vaccine efficacy based on observations of B. pertussis-free weeks; 4) asymptomatic transmission can account for the observed increase in B. pertussis incidence; and 5) vaccinating individuals in close contact with infants too young to receive the vaccine ("cocooning" unvaccinated children) may be ineffective.Although a clear role for the previously suggested mechanisms still exists, asymptomatic transmission is the most parsimonious explanation for many of the observations surrounding the resurgence of B. pertussis in the US and UK. These results have important implications for B. pertussis vaccination policy and present a complicated scenario for achieving herd immunity and B. pertussis eradication.

Abstract Infectious disease outbreaks recapitulate biology: they emerge from the multi-level interaction of hosts, pathogens, and environment. Therefore, outbreak forecasting requires an integrative approach to modeling. While specific components of outbreaks are predictable, it remains unclear whether fundamental limits to outbreak prediction exist. Here, adopting permutation entropy as a model independent measure of predictability, we study the predictability of a diverse collection of outbreaks and identify a fundamental entropy barrier for disease time series forecasting. However, this barrier is often beyond the time scale of single outbreaks, implying prediction is likely to succeed. We show that forecast horizons vary by disease and that both shifting model structures and social network heterogeneity are likely mechanisms for differences in predictability. Our results highlight the importance of embracing dynamic modeling approaches, suggest challenges for performing model selection across long time series, and may relate more broadly to the predictability of complex adaptive systems.