Predictors of COVID-19 testing rates: A cross-country comparison
Notice bibliographique
Résumé
OBJECTIVES: Cross-country comparisons of coronavirus disease (COVID-19) have largely been applied to mortality analyses. The goal of this analysis is to explore predictors of COVID-19 testing through cross-country comparisons, to better inform international health policies. METHODS: Testing and case-based data were amassed from Our World in Data, and information regarding predictors was gathered from the World Bank. We investigate Human Development Index (HDI), health expenditure, universal health coverage (UHC), urban population, service industry workers (%), and air pollution as predictors. We explored testing data through July 31, 2020, or most recently available, using case-indexing methods, which involve synchronizing countries by date of first reported COVID-19 case as an index date and normalizing to the cumulative tests 25 days post-index date. Three multivariable linear regression models were built in a stepwise fashion to explore the association between the indexed number of COVID-19 tests and HDI scores. RESULTS: A total of 86 countries were included in the final analytical sample, excluding countries with missing data. HDI and urban population were found to be significantly associated with testing levels. CONCLUSIONS: Results suggest that social conditions and government capacity remain consistently salient in the consideration of testing rates. International efforts to assist low-HDI countries are needed to support the global COVID-19 response.
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 | 0,001 | 0,094 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».