The impact of the social distancing policy on COVID-19 new cases in Iran: insights from an interrupted time series analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Background In late December 2019, a viral outbreak occurred in Wuhan, province of Hubei, People’s Republic of China, and rapidly spread out worldwide. The infectious agent was identified and termed as SARS-CoV-2, responsible of the “coronavirus disease 19” (COVID-19). Due to the lack of vaccines and effective drugs for this disease, many policy- and decision-makers have focused on non-pharmacological methods to prevent and control this disease. Social distancing can be effective in reducing the spread of the outbreak. This study was aimed at assessing the effects of the implementation of the social distancing policy in Iran, one of the countries most affected by the COVID-19. Methods This study was designed as a quasi-experimental study, and was conducted utilizing the interrupted time series analysis (ITSA) approach. Daily data was collected between February 20 th 2020 and April 16 th 2020. The social distancing policy was launched on March 27 th 2020. Results A significant decrease of -288.57 (95% CI: 269.08 (95% CI: -83.37 to -621.55, P-value=0.04) new confirmed cases following the implementation of the social distancing policy was found, corresponding to a daily decrease in the trend of -8.10 (95% CI: -10.02 to -6.19, P-value=0.001). A significant decrease of -24.78 (95% CI: -42.97 to -6.58, P-value=0.01) new deaths following the implementation of the social distancing policy could be found, corresponding to a daily decrease in the trend of -8.10 (95% CI: -10.02 to -6.19, P-value=0.001). Conclusion The growth rate of new cases and deaths from the COVID-19 in Iran has significantly decreased after the implementation of social distancing. By monitoring and implementing this policy in all countries, the burden of COVID-19 can be mitigated.
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.
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 | 0,013 | 0,201 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,005 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,008 |
| 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 découle