Two chemical engineers look at the <scp>COVID</scp> ‐19 pandemic
Notice bibliographique
Résumé
Abstract Chemical engineering involves a skill set that is transferrable to a broad range of other areas. A case in point is the work that is being done by chemical engineers to better understand and fight the COVID‐19 epidemic. In this study, we consider a problem that has eluded the COVID‐19 research community, which is nevertheless very tractable with a chemical engineering mindset: the true or intrinsic mortality rate of COVID‐19, that is, the fraction or percentage of COVID‐19‐infected people that die of the disease. We solve this problem in two locations (Spain and the state of New York) for the epidemic's first wave using a combination of daily death data, a fit of a computer simulation of an epidemiological model with adjustable parameters, and independent results of immunological blood testing on a random sample of the population. Parallels are drawn with the problem of determining the turnover frequency of a catalyst based on a similar combination of data and approaches. It is concluded from the study that the intrinsic mortality rate of COVID‐19 was 1.45 ± 0.45% during the first wave, a number that reflects OECD countries. By incorporating data on the age dependence of the mortality rate, a relationship f mort = (3.0 ± 0.7) × 10 −5 exp(0.1 a ), where a is the age in years, is tentatively put forward for the mortality rate as a fraction.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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; 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 ».