An interrupted time series analysis of the lockdown policies in India: a national-level analysis of COVID-19 incidence
Notice bibliographique
Résumé
India implemented a national mandatory lockdown policy (Lockdown 1.0) on 24 March 2020 in response to Coronavirus Disease 2019 (COVID-19). The policy was revised in three subsequent stages (Lockdown 2.0-4.0 between 15 April to 18 May 2020), and restrictions were lifted (Unlockdown 1.0) on 1 June 2020. This study evaluated the effect of lockdown policy on the COVID-19 incidence rate at the national level to inform policy response for this and future pandemics. We conducted an interrupted time series analysis with a segmented regression model using publicly available data on daily reported new COVID-19 cases between 2 March 2020 and 1 September 2020. National-level data from Google Community Mobility Reports during this timeframe were also used in model development and robustness checks. Results showed an 8% [95% confidence interval (CI) = 6-9%] reduction in the change in incidence rate per day after Lockdown 1.0 compared to prior to the Lockdown order, with an additional reduction of 3% (95% CI = 2-3%) after Lockdown 4.0, suggesting an 11% (95% CI = 9-12%) reduction in the change in COVID-19 incidence after Lockdown 4.0 compared to the period before Lockdown 1.0. Uptake of the lockdown policy is indicated by decreased mobility and attenuation of the increasing incidence of COVID-19. The increasing rate of incident case reports in India was attenuated after the lockdown policy was implemented compared to before, and this reduction was maintained after the restrictions were eased, suggesting that the policy helped to 'flatten the curve' and buy additional time for pandemic preparedness, response and recovery.
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 | 0,002 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,005 |
| 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 ».