Methods Used in the Spatial and Spatiotemporal Analysis of COVID-19 Epidemiology: A Systematic Review
Notice bibliographique
Résumé
The spread of the COVID-19 pandemic was spatially heterogeneous around the world; the transmission of the disease is driven by complex spatial and temporal variations in socioenvironmental factors. Spatial tools are useful in supporting COVID-19 control programs. A substantive review of the merits of the methodological approaches used to understand the spatial epidemiology of the disease is hardly undertaken. In this study, we reviewed the methodological approaches used to identify the spatial and spatiotemporal variations of COVID-19 and the socioeconomic, demographic and climatic drivers of such variations. We conducted a systematic literature search of spatial studies of COVID-19 published in English from Embase, Scopus, Medline, and Web of Science databases from 1 January 2019 to 7 September 2021. Methodological quality assessments were also performed using the Joanna Briggs Institute (JBI) risk of bias tool. A total of 154 studies met the inclusion criteria that used frequentist (85%) and Bayesian (15%) modelling approaches to identify spatial clusters and the associated risk factors. Bayesian models in the studies incorporated various spatial, temporal and spatiotemporal effects into the modelling schemes. This review highlighted the need for more local-level advanced Bayesian spatiotemporal modelling through the multi-level framework for COVID-19 prevention and control strategies.
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 | 0,094 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».