Impact of small-area lockdowns for the control of the COVID-19 pandemic
Notice bibliographique
Résumé
Abstract Background Countries confronting the COVID-19 pandemic are implementing different social distancing strategies. We evaluated the impact of small-area lockdowns in Chile, aimed to reduce viral transmission while minimizing the population disrupted. The effectiveness of this intervention on the outbreak control is unknown. Methods A natural experiment assessing the impact of small-area lockdowns between February 15th and April 25th, 2020. We used mobility data and official governmental reports to compare regions with small-area lockdowns versus regions without. The primary outcome was the mean difference in the effective reproductive number (Re) of COVID-19. Secondary outcomes were changes in mobility indicators. We used quasi-experimental methods for the analysis and examined the impact of other concurrent public health interventions to disentangle their effects. Results Small-area lockdown produced a sizable reduction in human mobility, equivalent to an 11.4% reduction (95%CI −14.4% to −8.38%) in public transport and similar effects in other mobility indicators. Ten days after implementation, the small-area lockdown produced a reduction of the effective reproductive number (Re) of 0.86 (95%CI −1.70 to −0.02). School and university closures, implemented earlier, led to a 40% reduction in urban mobility. Closure of educational institutions resulted in an even greater Re reduction compared with small-area lockdowns. Conclusions Small-area lockdowns produced a reduction in mobility and viral transmission, but the effects were smaller than the early closures of schools and universities. Small-area lockdowns may have a relevant supporting role in reducing SARS-CoV-2 transmission and could be useful for countries considering scaling-down stricter social distancing interventions.
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 | 0,003 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 ».