MétaCan
Menu
← Retour à la cohorte
Enregistrement W3110350539 · doi:10.1101/2020.12.01.20241539

SARS-CoV-2 infections in 171 countries and over time

2020· preprint· en· W3110350539 sur OpenAlexaboutno aff
Stilianos Louca

Notice bibliographique

RevuemedRxiv · 2020
Typepreprint
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensnon disponible
Organismes subventionnairesNational Science Foundation
Mots-clésPandemicSeroprevalenceDemographyPopulationCase fatality rateMedicineVaccinationCoronavirus disease 2019 (COVID-19)AsymptomaticSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)GeographyEnvironmental healthImmunologyInfectious disease (medical specialty)DiseaseSerologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

Abstract Understanding the dynamics of the COVID-19 pandemic, evaluating the efficacy of past and current control measures, and estimating vaccination needs, requires knowledge of the number of infections in the population over time. This number, however, generally differs substantially from the number of confirmed cases due to a large fraction of asymptomatic infections as well as geographically and temporally variable testing effort and strategies. Here I use age-stratified death count statistics, age-dependent infection fatality risks and stochastic modeling to estimate the prevalence and growth of SARS-CoV-2 infections among adults (age ≥ 20 years) in 171 countries, from early 2020 until April 9, 2021. The accuracy of the approach is confirmed through comparison to previous nationwide general-population seroprevalence surveys in multiple countries. Estimates of infections over time, compared to reported cases, reveal that the fraction of infections that are detected vary widely over time and between countries, and hence comparisons of confirmed cases alone (between countries or time points) often yield a false picture of the pandemic’s dynamics. As of April 9, 2021, the nationwide cumulative SARS-CoV-2 prevalence (past and current infections relative to the population size) is estimated at 61% (95%-CI 42-78) for Peru, 58% (39–83) for Mexico, 57% (31–75) for Brazil, 55% (34–72) for South Africa, 29% (19-48) for the US, 26% (16–49) for the United Kingdom, 19% (12–34) for France, 19% (11–33) for Sweden, 9.6% (6.5–15) for Canada, 11% (7–19) for Germany and 0.67% (0.47–1.1) for Japan. The presented time-resolved estimates expand the possibilities to study the factors that influenced and still influence the pandemic’s progression in 171 countries. Regular updates are available at: www.loucalab.com/archive/COVID19prevalence

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)0,001
score de la tête « metaresearch » (Gemma)0,002
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: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,021

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,223
Tête enseignante GPT0,425
Écart entre enseignants0,202 · 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

Citations4
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

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