Effects of government policies and the Nowruz holidays on confirmed COVID-19 cases in Iran: An intervention time series analysis
Notice bibliographique
Résumé
BACKGROUND: Public health policies with varying degrees of restriction have been imposed around the world to prevent the spread of coronavirus disease 2019 (COVID-19). In this study, we aimed to evaluate the effects of the implementation of government policies and the Nowruz holidays on the containment of the COVID-19 pandemic in Iran, using an intervention time series analysis. METHODS: Daily data on COVID-19 cases registered between February 19 and May 2, 2020 were collected from the World Health Organization (WHO)'s website. Using an intervention time series modeling, the effect of two government policies on the number of confirmed cases were evaluated, namely the closing of schools and universities, and the implementation of social distancing measures. Furthermore, the effect of the Nowruz holidays as a non-intervention factor for the spread of COVID-19 was also analyzed. RESULTS: The results showed that, after the implementation of the first intervention, i.e., the closing of universities and schools, no statistically significant change was found in the number of new confirmed cases. The Nowruz holidays was followed by a significant increase in new cases (1,872.20; 95% CI, 1,257.60 to 2,476.79; p<0.001)), while the implementation of social distancing measures was followed by a significant decrease in such cases (2,182.80; 95% CI, 1,556.56 to 2,809.04; p<0.001). CONCLUSION: The Nowruz holidays and the implementation of social distancing measures in Iran were related to a significant increase and decrease in COVID-19 cases, respectively. These results highlight the necessity of measuring the effect of health and social interventions for their future implementations.
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 | 0,001 | 0,020 |
| 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 | 0,000 |
| 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 ».