Disability-adjusted life years (DALYs) due to the direct health impact of COVID-19 in India, 2020
Notice bibliographique
Résumé
Abstract COVID-19 has affected all countries. Its containment represents a unique challenge for India due to a large population (>1.38 billion) across a wide range of population densities. Assessment of the COVID-19 disease burden is required to put the disease impact into context and support future pandemic policy development. Here, we present the national-level burden of COVID-19 in India in 2020 that accounts for differences across urban and rural regions and across age groups. Disability-adjusted life years (DALY) due to COVID-19 were estimated in the Indian population in 2020, comprised of years of life lost (YLL) and years lived with disability (YLD). Scenario analyses were conducted to account for excess deaths not recorded in the official data and for reported COVID-19 deaths. The direct impact of COVID-19 in 2020 in India was responsible for 14,106,060 (95% uncertainty interval [UI] 14,030,129–14,213,231) DALYs, consisting of 99.2% (95% UI 98.47–99.64%) YLLs and 0.80% (95% UI 0.36–1.53) YLDs. DALYs were higher in urban (56%; 95% UI 56–57%) than rural areas (44%; 95% UI 43.4–43.6) and in males (64%) than females (36%). In absolute terms, the highest DALYs occurred in the 51–60-year-old age group (28%) but the highest DALYs per 100,000 persons were estimated for the 71-80 year old age group (5,481; 95% UI 5,464–5,500 years). There were 4,823,791 (95% UI 4,760,908–4,924,307) DALYs after considering reported COVID-19 deaths only. The DALY estimations have direct and immediate implications not only for public policy in India, but also internationally given that India represents one sixth of the world’s 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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,005 | 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 ».