Estimating COVID-19-Related Infections, Deaths, and Hospitalizations in Iran Under Different Physical Distancing and Isolation Scenarios
Notice bibliographique
Résumé
BACKGROUND: Iran is one of the first few countries that was hit hard with the coronavirus disease 2019 (COVID-19) pandemic. We aimed to estimate the total number of COVID-19 related infections, deaths, and hospitalizations in Iran under different physical distancing and isolation scenarios. METHODS: We developed a susceptible-exposed-infected/infectious-recovered/removed (SEIR) model, parameterized to the COVID-19 pandemic in Iran. We used the model to quantify the magnitude of the outbreak in Iran and assess the effectiveness of isolation and physical distancing under five different scenarios (A: 0% isolation, through E: 40% isolation of all infected cases). We used Monte-Carlo simulation to calculate the 95% uncertainty intervals (UIs). RESULTS: Under scenario A, we estimated 5 196 000 (UI 1 753 000-10 220 000) infections to happen till mid-June with 966 000 (UI 467 800-1 702 000) hospitalizations and 111 000 (UI 53 400-200 000) deaths. Successful implantation of scenario E would reduce the number of infections by 90% (ie, 550 000) and change the epidemic peak from 66 000 on June 9, to 9400 on March 1, 2020. Scenario E also reduces the hospitalizations by 92% (ie, 74 500), and deaths by 93% (ie, 7800). CONCLUSION: With no approved vaccination or therapy available, we found physical distancing and isolation that include public awareness and case-finding and isolation of 40% of infected people could reduce the burden of COVID-19 in Iran by 90% by mid-June.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».