Physician Deaths from Corona Virus Disease (COVID-19)
Notice bibliographique
Résumé
ABSTRACT OBJECTIVE The COVID-19 pandemic has caused much morbidity and mortality to patients but also health care providers. We tabulated the cases of physician deaths from COVID-19 associated with front-line work in hopes of mitigating future events. METHOD On April 5, 2020, Google internet search was performed using the keywords “doctor” “physician” “death” “COVID” “COVID-19” and “coronavirus” in English and Farsi, and in Chinese using the Baidu search engine. RESULTS We found 198 physician deaths from COVID-19, but complete details were missing for 49 individuals. The average age of the physicians that died was 63.4 years (range 28 to 90 years) and the median age was 66 years of age. Ninety percent of the deceased physicians were male (175/194). General practitioners and emergency room doctors (78/192), respirologists (5/192), internal medicine specialists (11/192) and anesthesiologists (6/192) comprised 52% of those dying. Two percent of the deceased were epidemiologists (4/192), 2% were infectious disease specialists (4/192), 5% were dentists (9/192), 4% were ENT (8/192), and 4% were ophthalmologists (7/192). The countries with the most reported physician deaths were Italy (79/198), Iran (43/198), China (16/198), Philippines (14/198), United States (9/192) and Indonesia (7/192). CONCLUSION Physicians from all specialties may die from COVID, and these deaths will likely increase as the pandemic progresses. Lack of personal protective equipment was cited as a common cause of death. Consideration should be made to exclude older physicians from front-line work.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».