Assessment of Epidemiological Determinants of COVID-19 Pandemic Related to Social and Economic Factors Globally
Notice bibliographique
Résumé
The COVID-19 pandemic has manifested more than a health crisis and has severely impacted on social, economic, and development crises in the world. The relationship of COVID-19 with countries’ economic and other demographic statuses is an important criterion with which to assess the impact of this current outbreak. Based on available data from the online platform, we tested the hypotheses of a country’s economic status, population density, the median age of the population, and urbanization pattern influence on the test, attack, case fatality, and recovery rates of COVID-19. We performed correlation and multivariate multinomial regression analysis with relative risk ratio (RRR) to test the hypotheses. The correlation analysis showed that population density and test rate had a significantly negative association (r = −0.2384, p = 0.00). In contrast, the median age had a significant positive correlation with recovery rate (r = 0.4654, p = 0.00) and case fatality rate (r = 0.2847, p = 0.00). The urban population rate had a positive significant correlation with recovery rate (r = 0.1610, p = 0.04). Lower-middle-income countries had a negative significant correlation with case fatality rate (r= −0.3310, p = 0.04). The multivariate multinomial logistic regression analysis revealed that low-income countries are more likely to have an increased risk of case fatality rate (RRR = 0.986, 95% Confidence Interval; CI = 0.97−1.00, p < 0.05) and recovery rate (RRR = 0.967, 95% CI = 0.95–0.98, p = 0.00). The lower-income countries are more likely to have a higher risk in case of attack rate (RRR = 0.981, 95% CI = 0.97–0.99, p = 0.00) and recovery rate (RRR = 0.971, 95% CI = 0.96–0.98, p = 0.00). Similarly, upper middle-income countries are more likely to have higher risk in case of attack rate (RRR = 0.988, 95% CI = 0.98–1.0, p = 0.01) and recovery rate (RRR = 0.978, 95% CI = 0.97–0.99, p = 0.00). The low- and lower-middle-income countries should invest more in health care services and implement adequate COVID-19 preventive measures to reduce the risk burden. We recommend a participatory, whole-of-government and whole-of-society approach for responding to the socio-economic challenges of COVID-19 and ensuring more resilient and robust health systems to safeguard against preventable deaths and poverty by improving public health outcomes.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».