Epidemic Curves and COVID-19: How to Reduce The Confusion
Notice bibliographique
Résumé
Abstract Introduction: Epidemic curves have played a central role in comparing COVID-19 burden and progression across cities, states, and countries. Methods: We created a series of epidemic curves for Québec and Ontario, comparing and contrasting different COVID-19 outcomes. Results: The different epidemic curves of COVID-19 revealed that crude incidence rates displayed larger differences between the two provinces compared to absolute counts. More notable differences between Ontario and Québec were demonstrated when comparing crude rates of hospitalizations to crude rates of confirmed cases in each province. Crude daily hospitalizations revealed twice the magnitude of hospitalizations for Québec from April to May when compared to Ontario. Conclusions: We recommend using crude rates of hospitalizations, intensive care unit admissions, and mortality for COVID-19 epidemic curve comparison as they reveal important patterns in disease trends, and are more easily comparable between health jurisdictions. A harmonized approach to data presentation is important to not only accurately compare the progression of the pandemic, but also for interpretation of the media and the general public.
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 | 0,099 | 0,461 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,012 | 0,011 |
| Études des sciences et des technologies | 0,004 | 0,018 |
| Communication savante | 0,021 | 0,054 |
| Science ouverte | 0,008 | 0,010 |
| Intégrité de la recherche | 0,008 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,007 |
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 ».