The global case fatality rate of coronavirus disease 2019 by continents and national income: A meta‐analysis
Notice bibliographique
Résumé
The aim of this study is to provide a more accurate representation of COVID-19's case fatality rate (CFR) by performing meta-analyses by continents and income, and by comparing the result with pooled estimates. We used multiple worldwide data sources on COVID-19 for every country reporting COVID-19 cases. On the basis of data, we performed random and fixed meta-analyses for CFR of COVID-19 by continents and income according to each individual calendar date. CFR was estimated based on the different geographical regions and levels of income using three models: pooled estimates, fixed- and random-model. In Asia, all three types of CFR initially remained approximately between 2.0% and 3.0%. In the case of pooled estimates and the fixed model results, CFR increased to 4.0%, by then gradually decreasing, while in the case of random-model, CFR remained under 2.0%. Similarly, in Europe, initially, the two types of CFR peaked at 9.0% and 10.0%, respectively. The random-model results showed an increase near 5.0%. In high-income countries, pooled estimates and fixed-model showed gradually increasing trends with a final pooled estimates and random-model reached about 8.0% and 4.0%, respectively. In middle-income, the pooled estimates and fixed-model have gradually increased reaching up to 4.5%. in low-income countries, CFRs remained similar between 1.5% and 3.0%. Our study emphasizes that COVID-19 CFR is not a fixed or static value. Rather, it is a dynamic estimate that changes with time, population, socioeconomic factors, and the mitigatory efforts of individual countries.
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 | 0,013 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».