Years of life lost due to the psychosocial consequences of COVID-19 mitigation strategies based on Swiss data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The pandemic caused by coronavirus disease 2019 (COVID-19) has forced governments to implement strict social mitigation strategies to reduce the morbidity and mortality from acute infections. These strategies, however, carry a significant risk for mental health, which can lead to increased short-term and long-term mortality and is currently not included in modeling the impact of the pandemic. METHODS: We used years of life lost (YLL) as the main outcome measure, applied to Switzerland as an example. We focused on suicide, depression, alcohol use disorder, childhood trauma due to domestic violence, changes in marital status, and social isolation, as these are known to increase YLL in the context of imposed restriction in social contact and freedom of movement. We stipulated a minimum duration of mitigation of 3 months based on current public health plans. RESULTS: The study projects that the average person would suffer 0.205 YLL due to psychosocial consequence of COVID-19 mitigation measures. However, this loss would be entirely borne by 2.1% of the population, who will suffer an average of 9.79 YLL. CONCLUSIONS: The results presented here are likely to underestimate the true impact of the mitigation strategies on YLL. However, they highlight the need for public health models to expand their scope in order to provide better estimates of the risks and benefits of mitigation.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle