The Influence of Media Coverage and Governmental Policies on Google Queries Related to COVID-19 Cutaneous Symptoms: Infodemiology Study
Notice bibliographique
Résumé
Background During COVID-19, studies have reported the appearance of internet searches for disease symptoms before their validation by the World Health Organization. This suggested that monitoring of these searches with tools including Google Trends may help monitor the pandemic itself. In Europe and North America, dermatologists reported an unexpected outbreak of cutaneous acral lesions (eg, chilblain-like lesions) in April 2020. However, external factors such as public communications may also hinder the use of Google Trends as an infodemiology tool. Objective The study aimed to assess the impact of media announcements and lockdown enforcement on internet searches related to cutaneous acral lesions during the COVID-19 outbreak in 2020. Methods Two searches on Google Trends, including daily relative search volumes for (1) “toe” or “chilblains” and (2) “coronavirus,” were performed from January 1 to May 16, 2020, with the United States, the United Kingdom, France, Italy, Spain, and Germany as the countries of choice. The ratio of interest over time in “chilblains” and “coronavirus” was plotted. To assess the impact of lockdown enforcement and media coverage on these internet searches, we performed an interrupted time-series analysis for each country. Results The ratio of interest over time in “chilblains” to “coronavirus” showed a constant upward trend. In France, Italy, and the United Kingdom, lockdown enforcement was associated with a significant slope change for “chilblain” searches with a variation coefficient of 1.06 (SE 0.42) (P=0.01), 1.04 (SE 0.28) (P<.01), and 1.21 (SE 0.44) (P=0.01), respectively. After media announcements, these ratios significantly increased in France, Spain, Italy, and the United States with variation coefficients of 18.95 (SE 5.77) (P=.001), 31.31 (SE 6.31) (P<.001), 14.57 (SE 6.33) (P=.02), and 11.24 (SE 4.93) (P=.02), respectively, followed by a significant downward trend in France (–1.82 [SE 0.45]), Spain (–1.10 [SE 0.38]), and Italy (–0.93 [SE 0.33]) (P<.001, P=0.004, and P<.001, respectively). The adjusted R2 values were 0.311, 0.351, 0.325, and 0.305 for France, Spain, Italy, and the United States, respectively, suggesting an average correlation between time and the search volume; however, this correlation was weak for Germany and the United Kingdom. Conclusions To date, the association between chilblain-like lesions and COVID-19 remains controversial; however, our results indicate that Google queries of “chilblain” were highly influenced by media coverage and government policies, indicating that caution should be exercised when using Google Trends as a monitoring tool for emerging diseases.
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 | 0,004 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».