A comparison of COVID-19 epidemiological indicators in Sweden, Norway, Denmark, and Finland
Notice bibliographique
Résumé
Aims: To compare the early impact of COVID-19 infections and mortality from February to July 2020 across the Nordic nations of Sweden, Norway, Denmark, and Finland through available public data sources and conduct a descriptive analysis of the potential factors that drove different epidemiological outcomes, with a focus on Sweden’s response. Methods: COVID-19 cases, deaths, tests, case age distribution, and the difference between 2020 all-cause mortality and the average mortality of the previous 5 years were compared across nations. Patterns in cell phone mobility data, testing strategies, and seniors’ care home deaths were also compared. Data for each nation were based on publicly available sources as of July 31, 2020. Results: Compared with its Nordic peers, Sweden had a higher incidence rate across all ages, a higher COVID-19-related death rate only partially explained by population demographics, a higher death rate in seniors’ care, and higher all-cause mortality. Sweden had approximately half as much mobility change as its Nordic neighbours until April and followed similar rates as its neighbours from April to July. Denmark led its Nordic peers in testing rates, while Sweden had the highest cumulative test-positivity rate continuously from mid-March. Conclusions: COVID-19 pushed Sweden’s health system to its capacity, exposed systemic weaknesses in the seniors’ care system, and revealed challenges with implementing effective contact tracing and testing strategies while experiencing a high case burden. Looser government restrictions at the beginning of the outbreak are likely to have played a role in the impact of COVID-19 in Sweden. In an effort to improve epidemic control, Sweden has increased testing rates, implemented more restrictive prevention measures, and increased their intensive care unit bed capacity.
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 | 0,014 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».