MétaCan
Menu
Retour à la cohorte
Enregistrement W3025111443 · doi:10.1016/s2214-109x(20)30229-1

Early estimates of the indirect effects of the COVID-19 pandemic on maternal and child mortality in low-income and middle-income countries: a modelling study

2020· article· en· W3025111443 sur OpenAlexfundaboutno aff
Timothy Roberton, Emily D Carter, Victoria B. Chou, Angela Stegmuller, Bianca Jackson, Yvonne Tam, Talata Sawadogo‐Lewis, Neff Walker

Notice bibliographique

RevueThe Lancet Global Health · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 Impact on Reproduction
Établissements canadiensnon disponible
Organismes subventionnairesJohns Hopkins UniversityUNICEFGlobal Affairs CanadaBill and Melinda Gates Foundation
Mots-clésWastingPandemicMedicinePsychological interventionChild mortalityEnvironmental healthLow and middle income countriesDemographyCoronavirus disease 2019 (COVID-19)Developing countryPediatricsPopulationEconomicsDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: While the COVID-19 pandemic will increase mortality due to the virus, it is also likely to increase mortality indirectly. In this study, we estimate the additional maternal and under-5 child deaths resulting from the potential disruption of health systems and decreased access to food. METHODS: We modelled three scenarios in which the coverage of essential maternal and child health interventions is reduced by 9·8-51·9% and the prevalence of wasting is increased by 10-50%. Although our scenarios are hypothetical, we sought to reflect real-world possibilities, given emerging reports of the supply-side and demand-side effects of the pandemic. We used the Lives Saved Tool to estimate the additional maternal and under-5 child deaths under each scenario, in 118 low-income and middle-income countries. We estimated additional deaths for a single month and extrapolated for 3 months, 6 months, and 12 months. FINDINGS: Our least severe scenario (coverage reductions of 9·8-18·5% and wasting increase of 10%) over 6 months would result in 253 500 additional child deaths and 12 200 additional maternal deaths. Our most severe scenario (coverage reductions of 39·3-51·9% and wasting increase of 50%) over 6 months would result in 1 157 000 additional child deaths and 56 700 additional maternal deaths. These additional deaths would represent an increase of 9·8-44·7% in under-5 child deaths per month, and an 8·3-38·6% increase in maternal deaths per month, across the 118 countries. Across our three scenarios, the reduced coverage of four childbirth interventions (parenteral administration of uterotonics, antibiotics, and anticonvulsants, and clean birth environments) would account for approximately 60% of additional maternal deaths. The increase in wasting prevalence would account for 18-23% of additional child deaths and reduced coverage of antibiotics for pneumonia and neonatal sepsis and of oral rehydration solution for diarrhoea would together account for around 41% of additional child deaths. INTERPRETATION: Our estimates are based on tentative assumptions and represent a wide range of outcomes. Nonetheless, they show that, if routine health care is disrupted and access to food is decreased (as a result of unavoidable shocks, health system collapse, or intentional choices made in responding to the pandemic), the increase in child and maternal deaths will be devastating. We hope these numbers add context as policy makers establish guidelines and allocate resources in the days and months to come. FUNDING: Bill & Melinda Gates Foundation, Global Affairs Canada.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,003
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,377
Écart entre enseignants0,312 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1 472
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueThe Lancet Global HealthMême sujetCOVID-19 Impact on ReproductionTravaux en français237 207