Revisiting COVID-19 policies: 10 evidence-based recommendations for where to go from here
Notice bibliographique
Résumé
BACKGROUND: Strategies to control coronavirus 2019 disease (COVID-19) have often been based on preliminary and limited data and have tended to be slow to evolve as new evidence emerges. Yet knowledge about COVID-19 has grown exponentially, and the expanding rollout of vaccines presents further opportunity to reassess the response to the pandemic more broadly. MAIN TEXT: We review the latest evidence concerning 10 key COVID-19 policy and strategic areas, specifically addressing: 1) the expansion of equitable vaccine distribution, 2) the need to ease restrictions as hospitalization and mortality rates eventually fall, 3) the advantages of emphasizing educational and harm reduction approaches over coercive and punitive measures, 4) the need to encourage outdoor activities, 5) the imperative to reopen schools, 6) the far-reaching and long-term economic and psychosocial consequences of sustained lockdowns, 7) the excessive focus on surface disinfection and other ineffective measures, 8) the importance of reassessing testing policies and practices, 9) the need for increasing access to outpatient therapies and prophylactics, and 10) the necessity to better prepare for future pandemics. CONCLUSIONS: While remarkably effective vaccines have engendered great hope, some widely held assumptions underlying current policy approaches call for an evidence-based reassessment. COVID-19 will require ongoing mitigation for the foreseeable future as it transforms from a pandemic into an endemic infection, but maintaining a constant state of emergency is not viable. A more realistic public health approach is to adjust current mitigation goals to be more data-driven and to minimize unintended harms associated with unfocused or ineffective control efforts. Based on the latest evidence, we therefore present recommendations for refining 10 key policy areas, and for applying lessons learned from COVID-19 to prevent and prepare for future pandemics.
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 | 0,107 | 0,309 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,009 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,018 | 0,024 |
| Science ouverte | 0,012 | 0,011 |
| Intégrité de la recherche | 0,030 | 0,027 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,044 | 0,017 |
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 ».