Determining the Case Fatality Rate of COVID-19 in Italy: Novel Epidemiological Study
Notice bibliographique
Résumé
BACKGROUND: COVID-19, which emerged in December 2019, has spread rapidly around the world and has become a serious public health event endangering human life. With regard to COVID-19, there are still many unknowns, such as the exact case fatality rate (CFR). OBJECTIVE: The main objective of this study was to explore the value of the discharged CFR (DCFR) to make more accurate forecasts of epidemic trends of COVID-19 in Italy. METHODS: We retrieved the epidemiological data of COVID-19 in Italy published by the John Hopkins Coronavirus Resource Center. We then used the proportion of deaths to discharged cases（including deaths and recovered cases） to calculate the total DCFR (tDCFR), monthly DCFR (mDCFR), and stage DCFR (sDCFR). Furthermore, we analyzed the trend in the mDCFR between January and December 2020 using joinpoint regression analysis, used ArcGIS version 10.7 to visualize the spatial distribution of the epidemic CFR, and assigned different colors to each province based on the CFR or tDCFR. RESULTS: We calculated the numbers and obtained the new indices of the tDCFR and mDCFR for calculating the fatality rate. The results showed that the tDCFR and mDCFR fluctuated greatly from January to May. They first showed a rapid increase followed by a rapid decline after reaching the peak. The map showed that the provinces with a high tDCFR were Emilia-Romagna, Puglia, and Lombardia. The change trend of the mDCFR over time was divided into the following 2 stages: the first stage (from January to May) and the second stage (from June to December). With regard to worldwide COVID-19 statistics, among 6 selected countries, the United States had the highest tDCFR (4.26%), while the tDCFR of the remaining countries was between 0.98% and 2.72%. CONCLUSIONS: We provide a new perspective for assessing the fatality of COVID-19 in Italy, which can use ever-changing data to calculate a more accurate CFR and scientifically predict the development trend of the epidemic.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| 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 | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».