The impact of super-spreader cities, highways, and intensive care availability in the early stages of the COVID-19 epidemic in Brazil
Notice bibliographique
Résumé
Although international airports served as main entry points for SARS-CoV-2, the factors driving the uneven geographic spread of COVID-19 cases and deaths in Brazil remain mostly unknown. Here we show that three major factors influenced the early macro-geographical dynamics of COVID-19 in Brazil. Mathematical modeling revealed that the "super-spreading city" of São Paulo initially accounted for more than 85% of the case spread in the entire country. By adding only 16 other spreading cities, we accounted for 98-99% of the cases reported during the first 3 months of the pandemic in Brazil. Moreover, 26 federal highways accounted for about 30% of SARS-CoV-2's case spread. As cases increased in the Brazilian interior, the distribution of COVID-19 deaths began to correlate with the allocation of the country's intensive care units (ICUs), which is heavily weighted towards state capitals. Thus, severely ill patients living in the countryside had to be transported to state capitals to access ICU beds, creating a "boomerang effect" that contributed to skew the distribution of COVID-19 deaths. Therefore, if (i) a lockdown had been imposed earlier on in spreader-capitals, (ii) mandatory road traffic restrictions had been enforced, and (iii) a more equitable geographic distribution of ICU beds existed, the impact of COVID-19 in Brazil would be significantly lower.
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 | 0,009 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| 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 ».