Impact of COVID-19 Lockdown Policy on Homicide, Suicide, and Motor Vehicle Deaths in Peru
Notice bibliographique
Résumé
Abstract Introduction Although lockdown measures to stop COVID-19 have direct effects on disease transmission, their impact on violent and accidental deaths remains unknown. Our study aims to assess the early impact of COVID-19 lockdown on violent and accidental deaths in Peru. Methods Based on data from the Peruvian National Death Information System, an interrupted time series analysis was performed to assess the immediate impact and change in the trend of COVID-19 lockdown on external causes of death including homicide, suicide, and traffic accidents. The analysis was stratified by sex and the time unit was every 15 days. Results All forms of deaths examined presented a sudden drop after the lockdown. The biggest drop was in deaths related to traffic accidents, with a reduction of 12.66 deaths per million men per month (95% CI: −15.56, −9.76) and 3.64 deaths per million women per month (95% CI:-5.25, −2.03). Homicide and suicide presented similar level drop in women, while the homicide reduction was twice the size of the suicide reduction in men. The slope in suicide in men during the lock-down period increased by 3.62 deaths per million men per year (95% CI:0.06, 7.18). No other change in slope was detected. Conclusions Violent and accidental deaths presented a sudden drop after the lockdown was implemented and an increase in suicide in men was observed. Falls in mobility have a natural impact on traffic accidents, however, the patterns for suicide and homicide are less intuitive and reveal important characteristics of these events, although we expect all of these changes to be transient.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».