Age, Sex, Population Density and COVID-19 Pandemic in Thailand: A Nationwide Descriptive Correlational Study
Notice bibliographique
Résumé
Objective: It is reported that age and sex have been identified as potential risk factors for severe outcomes and the distribution of coronavirus disease (COVID-19), although the specifics of these relationships are unclear. Furthermore, little is known about the relationship between age, sex, COVID-19, and population density in Thailand. This study proposed to examine the relationships among age, sex, population density, and the number of COVID-19 patients in Thailand.Material and Methods: In this nationwide descriptive correlational study, the dataset of daily COVID-19 cases in Thailand between January 12, 2020, and November 30, 2020, and population density (people/km2 ) in each province of Thailand was retrieved from the Open Government Data of Thailand, the Registration Office Department of the Interior, the Ministry of the Interior, and the National Statistical Office of Thailand. Chi-square and Pearson product-moment correlation were used to determine the difference and relationships among studied variables. Simple linear regression was used to predict the number of COVID-19 cases based on population density.Results: The findings illustrated a significant difference between male and female patients, in which the number of male patients was higher than female patients across age groups 31-45 years, 40-60 years, and >60 years (p-value<0.010). Further, population density was significantly associated with the number of COVID-19 cases.Conclusion: This investigation would provide intervention planning implications during potential future pandemics, especially in groups at higher risk (males, age 17-46 years old, and people living in high-density population areas).
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 | 0,062 | 0,192 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».