Effectiveness of non-pharmaceutical interventions to reduce SARS-CoV-2 transmission in Canada and their association with COVID-19 hospitalization rates
Notice bibliographique
Résumé
Background: Non-pharmaceutical interventions (NPIs) aim to reduce the incidence of severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) infections mostly by limiting contacts between people where virus transmission can occur. However, NPIs limit social interactions and have negative impacts on economic, physical, mental and social well-being. It is, therefore, important to assess the impact of NPIs on reducing the number of coronavirus disease 2019 (COVID-19) cases and hospitalizations to justify their use. Methods: Dynamic regression models accounting for autocorrelation in time series data were used with data from six Canadian provinces (British Columbia, Alberta, Saskatchewan, Manitoba, Ontario, Québec) to assess 1) the effect of NPIs (measured using a stringency index) on SARS-CoV-2 transmission (measured by the effective reproduction number), and 2) the effect of the number of hospitalized COVID-19 patients on the stringency index. Results: Increasing stringency index was associated with a statistically significant decrease in the transmission of SARS-CoV-2 in Alberta, Saskatchewan, Manitoba, Ontario and Québec. The effect of stringency on transmission was time-lagged in all of these provinces except for Ontario. In all provinces except for Saskatchewan, increasing hospitalization rates were associated with a statistically significant increase in the stringency index. The effect of hospitalization on stringency was time-lagged. Conclusion: These results suggest that NPIs have been effective in Canadian provinces, and that their implementation has been, in part, a response to increasing hospitalization rates of COVID-19 patients.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 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 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 ».