Impact of demographic, environmental, socioeconomic, and government intervention on the spreading of COVID-19
Notice bibliographique
Résumé
BackgroundThe coronavirus disease 2019 (COVID-19) pandemic is a worldwide epidemiological emergency, and the risk factors for the multiple waves with new COVID-19 strains are concerning. This study aims to identify the most significant risk factors for spreading COVID-19 to help policymakers take early measures for the next waves.MethodsWe conducted the study on randomly selected 29 countries where the pandemic had a downward trend in the daily active cases curve as of June 10, 2020. We investigated the association with the standardized spreading index and demographical, environmental, socioeconomic, and government intervention. To standardize the spreading index, we accounted for the number of tests and the timeline bias. Furthermore, we performed multiple linear regression to identify the relative importance of the variables.ResultsIn the correlation analysis, air pollution, PM2.5 (r = 0.37, p = 0.0466), number of days to impose lockdown from first case (r = 0.38, p = 0.0424) and total confirmed cases on the first lockdown (r = 0.61, p = 0.0004) were associated with outcome measures. In the adjusted model, air pollution (β1 = 4.5, p = 0.0127, |t| = 3.1) and overweight prevalence (β1 = 4.7, p = 0.0187, |t| = 2.9) were the most significant exposure variable for spreading of COVID-19.ConclusionOur findings showed that countries with larger PM2.5 values and comparatively more overweight populations are at higher risk of spreading COVID-19. Proper preventive measures may reduce the spreading.
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 | 0,013 | 0,042 |
| 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 | 0,001 |
| 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 ».