Forecasting the epidemiological trends of COVID-19 prevalence and mortality using the advanced <i>α</i>-Sutte Indicator
Notice bibliographique
Résumé
Forecasting the epidemics of the diseases is very valuable in planning and supplying resources effectively. This study aims to estimate the epidemiological trends of the coronavirus disease 2019 (COVID-19) prevalence and mortality using the advanced α-Sutte Indicator, and its prediction accuracy level was compared with the most frequently adopted autoregressive integrated moving average (ARIMA) method. Time-series analysis was performed based on the total confirmed cases and deaths of COVID-19 in the world, Brazil, Peru, Canada and Chile between 27 February 2020 and 30 June 2020. By comparing the prediction reliability indices, including the root mean square error, mean absolute error, mean error rate, mean absolute percentage error and root mean square percentage error, the α-Sutte Indicator was found to produce lower forecasting error rates than the ARIMA model in all data apart from the prevalence testing set globally. The α-Sutte Indicator can be recommended as a useful tool to nowcast and forecast the COVID-19 prevalence and mortality of these regions except for the prevalence around the globe in the near future, which will help policymakers to plan and prepare health resources effectively. Also, the findings of our study may have managerial implications for the outbreak in other countries.
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 | 0,010 | 0,136 |
| 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 | 0,001 | 0,001 |
| 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 ».