A country level analysis measuring the impact of government actions, country preparedness and socioeconomic factors on COVID-19 mortality and related health outcomes
Notice bibliographique
Résumé
BACKGROUND: A country level exploratory analysis was conducted to assess the impact of timing and type of national health policy/actions undertaken towards COVID-19 mortality and related health outcomes. METHODS: Information on COVID-19 policies and health outcomes were extracted from websites and country specific sources. Data collection included the government's action, level of national preparedness, and country specific socioeconomic factors. Data was collected from the top 50 countries ranked by number of cases. Multivariable negative binomial regression was used to identify factors associated with COVID-19 mortality and related health outcomes. FINDINGS: Increasing COVID-19 caseloads were associated with countries with higher obesity (adjusted rate ratio [RR]=1.06; 95%CI: 1.01-1.11), median population age (RR=1.10; 95%CI: 1.05-1.15) and longer time to border closures from the first reported case (RR=1.04; 95%CI: 1.01-1.08). Increased mortality per million was significantly associated with higher obesity prevalence (RR=1.12; 95%CI: 1.06-1.19) and per capita gross domestic product (GDP) (RR=1.03; 95%CI: 1.00-1.06). Reduced income dispersion reduced mortality (RR=0.88; 95%CI: 0.83-0.93) and the number of critical cases (RR=0.92; 95% CI: 0.87-0.97). Rapid border closures, full lockdowns, and wide-spread testing were not associated with COVID-19 mortality per million people. However, full lockdowns (RR=2.47: 95%CI: 1.08-5.64) and reduced country vulnerability to biological threats (i.e. high scores on the global health security scale for risk environment) (RR=1.55; 95%CI: 1.13-2.12) were significantly associated with increased patient recovery rates. INTERPRETATION: In this exploratory analysis, low levels of national preparedness, scale of testing and population characteristics were associated with increased national case load and overall mortality. FUNDING: This study is non-funded.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,005 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».