MétaCan
Menu
← Retour à la cohorte
Enregistrement W3106501418 · doi:10.1101/2020.11.13.20194761

Does the timing of government COVID-19 policy interventions matter? Policy analysis of an original database

2020· preprint· en· W3106501418 sur OpenAlexaboutno aff
Michael Stephens, Jose Berengueres, Sridhar Venkatapuram, Immanuel Azaad Moonesar

Notice bibliographique

RevuemedRxiv · 2020
Typepreprint
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensnon disponible
Organismes subventionnairesAlliance for Health Policy and Systems ResearchWorld Health Organization
Mots-clésPsychological interventionChinaPandemicGovernment (linguistics)Policy analysisDemographyPolitical scienceCoronavirus disease 2019 (COVID-19)GeographyDevelopment economicsEconomic growthMedicineEconomicsDiseaseSociologyPublic administrationNursing

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Objective Though the speed of policy interventions is critical in responding to a fast spreading pandemic, there is little research on this topic. This study aims to (1) review the state of research on the topic (2) compile an original dataset of 87 COVID-19 non-pharmaceutical interventions across 17 countries and (3) analyses the timing of COVID-19 policy interventions on mortality rates of individual countries. Design Statistical analysis using Excel and R language version 3.4.2 (2017-09-28) of 1479 non-pharmaceutical policy interventions data points. Setting China, Singapore, South Korea, Japan, Australia, Germany, Canada, India, United Arab Emirates, United States of America, South Africa, Egypt, Jordan, France, Iran, United Kingdom and Italy. Population 36 health policies, 19 fiscal policies; 8 innovation policies; 19 social distancing policies, and 5 travel policies – related to COVID-19. Interventions We calculate the time (time-lag) between the start date of a policy and three-time specific events: the first reported case in Wuhan, China; the first nationally reported disease case; the first nationally reported death. Main Outcome Measures National level mortality rates across 17 countries. Mortality rate is equivalent to (death attributed to COVID-19) / (death attributed to COVID-19 + COVID-19 recovered cases). Results The literature review found 22 studies that looked at policy and timing with respect to mortality rates. Only four were multicountry, multi-policy studies. Based on the analysis of the database, we find no significant direction of the association (positive or negative) between the time lag from the three specified points and mortality rates. The standard deviation (SD) of policy lags was of the same order of magnitude as the mean of lags (30.57 and 30.22 respectively), indicating that there is no consensus among countries on the optimal time lags to implement a given policy. At the country level, the average time lag to implement a policy decreased the longer the time duration between the country’s first case and the Wuhan first case, indicating countries got faster to implement policies as more time passed. Conclusions The timing of policy interventions across countries relative to the first Wuhan case, first national disease case, or first national death, is not found to be correlated with mortality. No correlation between country quickness of policy intervention and country mortality was found. Countries became quicker in implementing policies as time passed. However, no correlation between country quickness of policy intervention and country mortality was found. Policy interventions across countries relative to the first recorded case in each country, is not found to be correlated with mortality for 86 of the 87 policies. At the country level we find that no correlation was found between country-average delays in implementing policies and country mortality. Further there is no correlation with higher country rankings in The Global Health Security Index and policy timing and mortality rates. Funding Statement This work was supported by the Alliance for Health Policy and Systems Research at the World Health Organization as part of the Knowledge to Policy (K2P) Center Mentorship Program. A competing interests statement” All authors have completed the ICMJE uniform disclosure form at www.icmje.org/coidisclosure.pdf and declare: IAM and MS would like to acknowledge the Alliance for Health Policy and Systems Research at the World Health Organization for financial support for publishing as part of the Knowledge to Policy (K2P) Center Mentorship Program [BIRD Project].

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,051
score de la tête « metaresearch » (Gemma)0,230
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,051
Score d'incertitude au seuil0,268

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0510,230
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0090,022
Études des sciences et des technologies0,0010,001
Communication savante0,0030,003
Science ouverte0,0030,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,002

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.

Tête enseignante Opus0,355
Tête enseignante GPT0,505
Écart entre enseignants0,150 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetCOVID-19 epidemiological studies→Travaux en français237 207→