MétaCan
Menu
Retour à la cohorte
Enregistrement W3147431269 · doi:10.1101/2021.03.23.21253873

Relative Pandemic Severity in Canada and Four Peer Nations During the SARS-CoV-2 Pandemic

2021· preprint· en· W3147431269 sur OpenAlexaffabout
Amy Peng, Alison E. Simmons, Afia Amoako, Ashleigh R. Tuite, David N. Fisman

Notice bibliographique

RevuemedRxiv · 2021
Typepreprint
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensPublic Health Agency of CanadaPublic Health OntarioUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPandemicDemographyCase fatality rateMedicinePopulationHealth careCoronavirus disease 2019 (COVID-19)Economic impact analysisGeographyEnvironmental healthEconomic growthEconomicsDisease

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction National responses to the SARS-CoV-2 pandemic have been highly variable, which may explain some of the heterogeneity in the pandemic’s health and economic impacts across the world. We sought to explore the effectiveness of the Canadian pandemic response relative to responses in four peer countries with similar political, economic and health systems, and with close historical and cultural ties to Canada (the United States, United Kingdom, France, and Australia) from March 2020 to May 2022. Methods We used reported age-specific mortality data to generate estimates of pandemic mortality standardized to the Canadian population. Age-specific case fatality, hospitalization, and intensive care admission probabilities for the Canadian province of Ontario were applied to estimated deaths in order to calculate hospitalizations and intensive care admissions averted by the Canadian response. The monetary value of averted hospitalizations was estimated using cost estimates from the Canadian Institute for Health Information. Age-specific quality-adjusted life-years (QALY) lost due to fatality were estimated using published estimates. QALY were monetized using a net expected benefit approach. Results Relative to the United States, United Kingdom, and France, the Canadian pandemic response was estimated to have averted 94,492, 64,306 and 13,641 deaths respectively, with more than 480,000 hospitalizations averted, and 1 million QALY saved, relative to the United States. A United States pandemic response applied to Canada would have resulted in more than $40 billion in economic losses due to healthcare expenditures and lost QALY; losses relative to the United Kingdom and France would have been $21 billion and $5 billion respectively. By contrast, an Australian pandemic response would have averted over 28,000 additional deaths and averted nearly $9 billion in costs in Canada. Conclusions Canada outperformed peer countries that aimed for mitigation, rather than elimination, of SARS-CoV-2 in the first two years of the pandemic, likely because of a more stringent public health response to disease transmission. This resulted in substantial numbers of lives saved and economic costs averted. However, comparison with Australia demonstrates that an elimination focus would have allowed Canada to save tens of thousands of lives, and would have saved substantial economic costs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,976
Score d'incertitude au seuil0,175

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,095
Tête enseignante GPT0,364
Écart entre enseignants0,268 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetCOVID-19 and healthcare impactsTravaux en français237 207