Excess mortality in Russia and its regions compared to high income countries: An analysis of monthly series of 2020
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Russia has been portrayed in media as having one of the highest death tolls due to the COVID-19 pandemic in the world. However, the precise scale of excess mortality is still unclear. We provide the first estimates of excess mortality in Russia as a whole and its regions in 2020, placing this in an international context. METHODS: We used monthly death rates for Russia and 83 regions plus the equivalent for 36 comparator countries. Expected mortality was derived in two ways using averages in the same months in preceding years and the same averages adjusted for secular trends. Excess death rates were estimated for the whole year and the last 3 quarters. We also estimated the relationships between excess mortality and reported COVID-19 cases and deaths across countries and Russian regions. RESULTS: Estimating excess deaths rates based on the trend-adjusted average, Russia had the highest excess mortality of any of the 37 countries considered. Using the simple average, Russia had the third highest. Most of the excess deaths were recorded in the 4th quarter of 2020 and the level and trajectory of excess mortality in Russia and most of Eastern European countries differed from that in Western countries. While both the cumulative number of COVID-19 cases and deaths showed positive correlations with excess mortality across countries (r=0.65 and r=0.75, p<0.001), the association across the Russian regions was, surprisingly, negative for cases (r=-0.34, p<0.01) and deaths (r=-0.09, p=0.42). When we replaced reported deaths with final data from death certificates the correlation was positive (r=0.38, p<0.001). CONCLUSION: Russia has one of the largest absolute burden of excess mortality in 2020 but there is a counter-intuitive negative association between excess mortality and cumulative incidence at the regional level. Under-recording of COVID-19 cases seems to be a problem in some regions.
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.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle