Estimating weekly excess mortality at sub-national level in Italy during the COVID-19 pandemic
Notice bibliographique
Résumé
Abstract Objectives To provide a sub-national analysis of excess mortality during the COVID-19 pandemic in Italy. Design Population-based on all-cause mortality official data, available as counts by age and sex. Setting The 7,904 municipalities in Italy. Participants All residents in Italy in the years 2016 to 2020. Main outcome measures All-cause mortality weekly rates for each municipality, based on the first four months of 2016 – 2019. Predicted all-cause weekly deaths and mortality rates at municipality level for 2020, based on the modelled spatio-temporal trends. Results There was strong evidence of excess mortality for Northern Italy; Lombardia showed higher mortality rates than expected from the end of February, with 23,946 (23,013 to 24,786) total excess deaths. North-West and North-East regions showed higher mortality from the beginning of March, with 6,942 (6,142 to 7,667) and 8,033 (7,061 to 9,044) total excess deaths respectively. After discounting for the number of COVID-19-confirmed deaths, Lombardia still registered 10,197 (9,264 to 11,037) excess deaths, while regions in the North-West and North-East had 2,572 (1,772 to 3,297) and 2,047 (1,075 to 3,058) extra deaths, respectively. We observed marked geographical differences at municipality level. The city of Bergamo (Lombardia) showed the largest percent excess 88.9% (81.9% to 95.2%) at the peak of the pandemic. An excess of 84.2% (73.8% to 93.4%) was also estimated at the same time for the city of Pesaro (Central Italy), in stark contrast with the rest of the region, which does not show evidence of excess deaths. Conclusions Our study gives a comprehensive picture of the evolution of all-cause mortality in Italy from 2016 to 2020 and describes the spatio-temporal differences in excess mortality during the COVID-19 pandemic. Our model shows heterogeneous impact of COVID-19, and it can be used to help policy- makers target measures to limit the burden on the health-care system as well as reducing social and economic consequences. Our probabilistic methodology is useful for real-time mortality surveillance, continuously monitoring local temporal trends and flagging where and when mortality rates deviate from the expected range, which might suggest a second wave of the pandemic.
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 | 0,001 | 0,001 |
| 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 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».