An online time-to-event dashboard comparing the effective control of COVID-19 among continents using the inflection point on an ogive curve
Notice bibliographique
Résumé
BACKGROUND: During the COVID-19 pandemic, one of the frequently asked questions is which countries (or continents) are severely hit. Aside from using the number of confirmed cases and the fatality to measure the impact caused by COVID-19, few adopted the inflection point (IP) to represent the control capability of COVID-19. How to determine the IP days related to the capability is still unclear. This study aims to (i) build a predictive model based on item response theory (IRT) to determine the IP for countries, and (ii) compare which countries (or continents) are hit most. METHODS: We downloaded COVID-19 outbreak data of the number of confirmed cases in all countries as of October 19, 2020. The IRT-based predictive model was built to determine the pandemic IP for each country. A model building scheme was demonstrated to fit the number of cumulative infected cases. Model parameters were estimated using the Solver add-in tool in Microsoft Excel. The absolute advantage coefficient (AAC) was computed to track the IP at the minimum of incremental points on a given ogive curve. The time-to-event analysis (a.k.a. survival analysis) was performed to compare the difference in IPs among continents using the area under the curve (AUC) and the respective 95% confidence intervals (CIs). An online comparative dashboard was created on Google Maps to present the epidemic prediction for each country. RESULTS: The top 3 countries that were hit severely by COVID-19 were France, Malaysia, and Nepal, with IP days at 263, 262, and 262, respectively. The top 3 continents that were hit most based on IP days were Europe, South America, and North America, with their AUCs and 95% CIs at 0.73 (0.61-0.86), 0.58 (0.31-0.84), and 0.54 (0.44-0.64), respectively. An online time-event result was demonstrated and shown on Google Maps, comparing the IP probabilities across continents. CONCLUSION: An IRT modeling scheme fitting the epidemic data was used to predict the length of IP days. Europe, particularly France, was hit seriously by COVID-19 based on the IP days. The IRT model incorporated with AAC is recommended to determine the pandemic IP.
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 | 0,003 | 0,021 |
| 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 ».