Rapid review of COVID-19 epidemic estimation studies for Iran
Notice bibliographique
Résumé
BACKGROUND: To inform researchers about the methodology and results of epidemic estimation studies performed for COVID-19 epidemic in Iran, we aimed to perform a rapid review. METHODS: We searched for and included published articles, preprint manuscripts and reports that estimated numbers of cumulative or daily deaths or cases of COVID-19 in Iran. We found 131 studies and included 29 of them. RESULTS: The included studies provided outputs for a total of 84 study-model/scenario combinations. Sixteen studies used 3-4 compartmental disease models. At the end of month two of the epidemic (2020-04-19), the lowest (and highest) values of predictions were 1,777 (388,951) for cumulative deaths, 20,588 (2,310,161) for cumulative cases, and at the end of month four (2020-06-20), were 3,590 (1,819,392) for cumulative deaths, and 144,305 (4,266,964) for cumulative cases. Highest estimates of cumulative deaths (and cases) for latest date available in 2020 were 418,834 on 2020-12-19 (and 41,475,792 on 2020-12-31). Model estimates predict an ominous course of epidemic progress in Iran. Increase in percent population using masks from the current situation to 95% might prevent 26,790 additional deaths (95% confidence interval 19,925-35,208) by the end of year 2020. CONCLUSIONS: Meticulousness and degree of details reported for disease modeling and statistical methods used in the included studies varied widely. Greater heterogeneity was observed regarding the results of predicted outcomes. Consideration of minimum and preferred reporting items in epidemic estimation studies might better inform future revisions of the available models and new models to be developed. Not accounting for under-reporting drives the models' results misleading.
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 | 0,025 | 0,444 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».