Excess mortality in India from June 2020 to June 2021 during the COVID pandemic: death registration, health facility deaths, and survey data
Notice bibliographique
Résumé
Abstract Background India’s official death totals from the COVID pandemic are widely regarded as under-reports. Methods We quantified all-cause excess mortality in India, comparing deaths during the peak of the first and second COVID waves (Jul-Dec 2020 and April-June 2021) with month wise deaths in 2015-19 from three sources: Civil Registration System (CRS) mortality reports from 15 states or cities with 37% of India’s population; deaths in 0.2 million health facilities; and a representative survey of 0.14 million adults about COVID deaths. Results During the first viral wave, the median excess mortality compared to CRS baseline was 22% and 41%, respectively, in included states and cities, rising to 46% and 85% during the second wave. In settings with 10 or more months of data across the two waves, the median excess mortality was 32% and 37% for states and cities, respectively. Deaths in health facilities showed a 27% excess mortality from July 2020-May 2021, reaching 120% during April-May 2021. The national survey found 3.5% of adults reported a COVID death in their household in April-June 2021, approximately doubling the 3.2% expected overall deaths. The national survey showed 29-32% excess deaths from June 1, 2020 to June 27, 2021, most of which were likely to be COVID. This translates to 3.1-3.4 million COVID deaths (including 2.5-2.8 million during April-June 2021). National extrapolations from health facility and CRS data suggest 2.7-3.3 million deaths during the year. Conclusions India’s COVID death rate may be about 7-8 times higher than the officially reported 290/million population.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».