Lessons learned and lessons missed: impact of the coronavirus disease 2019 (COVID-19) pandemic on all-cause mortality in 40 industrialised countries prior to mass vaccination
Notice bibliographique
Résumé
<ns4:p> <ns4:bold>Background:</ns4:bold> Industrialised countries had varied responses to the coronavirus disease 2019 (COVID-19) pandemic, and how they adapted to new situations and knowledge since it began. These differences in preparedness and policy may lead to different death tolls from COVID-19 as well as other diseases. <ns4:bold/> </ns4:p> <ns4:p> <ns4:bold>Methods:</ns4:bold> We applied an ensemble of 16 Bayesian probabilistic models to vital statistics data to estimate the impacts of the pandemic on weekly all-cause mortality for 40 industrialised countries from mid-February 2020 through mid-February 2021, before a large segment of the population was vaccinated in these countries. </ns4:p> <ns4:p> <ns4:bold>Results:</ns4:bold> Over the entire year, an estimated 1,410,300 (95% credible interval 1,267,600-1,579,200) more people died in these countries than would have been expected had the pandemic not happened. This is equivalent to 141 (127-158) additional deaths per 100,000 people and a 15% (14-17) increase in deaths in all these countries combined. In Iceland, Australia and New Zealand, mortality was lower than would be expected if the pandemic had not occurred, while South Korea and Norway experienced no detectable change in mortality. In contrast, the USA, Czechia, Slovakia and Poland experienced at least 20% higher mortality. There was substantial heterogeneity across countries in the dynamics of excess mortality. The first wave of the pandemic, from mid-February to the end of May 2020, accounted for over half of excess deaths in Scotland, Spain, England and Wales, Canada, Sweden, Belgium, the Netherlands and Cyprus. At the other extreme, the period between mid-September 2020 and mid-February 2021 accounted for over 90% of excess deaths in Bulgaria, Croatia, Czechia, Hungary, Latvia, Montenegro, Poland, Slovakia and Slovenia. <ns4:bold/> </ns4:p> <ns4:p> <ns4:bold>Conclusions:</ns4:bold> Until the great majority of national and global populations have vaccine-acquired immunity, minimising the death toll of the pandemic from COVID-19 and other diseases will require actions to delay and contain infections and continue routine health care. </ns4:p>
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».