The effect of temperature, humidity, precipitation and cloud coverage on the risk of COVID-19 infection in temperate regions of the USA—A case-crossover study
Notice bibliographique
Résumé
BACKGROUND: Observations based on the spread of SARS-CoV-2 early into the COVID-19 pandemic have suggested a reduced burden in tropical regions leading to the assumption of a dichotomy between cold and dry and wet and warm climates. OBJECTIVES: Analyzing more than a whole year of COVID-19 infection data, this study intents to refine the understanding of meteorological variables (temperature, humidity, precipitation and cloud coverage) on COVID-19 transmission in settings that experience distinct seasonal changes. METHODS AND FINDINGS: A time stratified case-crossover design was adopted with a conditional Poisson model in combination with a distributed lag nonlinear model to assess the short-term impact of mentioned meteorological factors on COVID-19 infections in five US study sites (New York City (NYC); Marion County, Indiana (MCI); Baltimore and Baltimore County, Maryland (BCM); Franklin County, Ohio (FCO); King County, Washington (KCW)). Higher-than-average temperatures were consistently associated with a decreased relative risk (RR) of COVID-19 infection in four study sites. At 20 degrees Celsius COVID-19 infection was associated with a relative risk of 0.35 (95%CI: 0.20-0.60) in NYC, 1.03 (95%CI:0.57-1.84) in MCI, 0.34 (95%CI: 0.20-0.57) in BCM, 0.52 (95%CI: 0.31-0.87) in FCO and 0.21 (95%CI: 0.10-0.44) in KCW. Higher-than-average humidity levels were associated with an increased relative risk of COVID-19 infection in four study sites. Relative to their respective means, at a humidity level of 15 g/kg (specific humidity) the RR was 5.83 (95%CI: 2.05-16.58) in BCM, at a humidity level of 10 g/kg the RR was 3.44 (95%CI: 1.95-6.01) in KCW. CONCLUSIONS: The results of this study suggest opposed effects for higher-than-average temperature and humidity concerning the risk of COVID-19 infection. While a distinct seasonal pattern of COVID-19 has not yet emerged, warm and humid weather should not be generally regarded as a time of reduced risk of COVID-19 infections.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».