Analysis of COVID-19 burden, epidemiology and mitigation strategies in Muslim majority countries
Notice bibliographique
Résumé
BACKGROUND: Muslim majority countries have experienced a considerable burden of COVID-19 infection. However, there has been a relative lack of research comparing COVID-19 outbreaks and responses between Muslim-majority countries. AIMS: This study aimed to analyse COVID-19 burden, epidemiology and mitigation strategies in Muslim-majority countries. METHODS: We use a mixed-methods approach to describe the course of the COVID-19 pandemic throughout the Islamic world, highlight the range of non-pharmaceutical interventions used and the speed with which they were implemented, and investigate reasons behind the differing responses between Muslim-majority countries. The number of cases and deaths per million population, and the mean time taken to implement a range of policies, were compared across the Islamic world. Cases per million population and the mean estimated doubling time for cases was compared between Muslim- majority countries on the basis of governance systems, rapidity of institution of mitigation strategies and conflict groups. We also evaluated pushback to implementation of measures within MMCs, especially from religious quarters. RESULTS: Non-democratic regimes had much shorter doubling time of cases compared to functional democratic Muslim- majority countries (mean 33.9 versus 66.5 days, P = 0.002) and a significantly greater proportion of countries appeared to have flattened the curve by 1 June 2020 (43.8% versus 12.5%, P < 0.03). The doubling time was also significantly greater among countries who implemented lockdown and mitigation measures early (66.7 versus 16.7 days, P < 0.003). CONCLUSION: Our analysis indicates wide diversity in the COVID-19 response across Muslim majority countries with clear indication that functional democracies were able to contain the epidemic significantly better than nondemocratic regimes. Future analysis should focus on determination of sub-national differentials and risks as well as targeting of interventions.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».