The short and long-term impact of non-pharmaceutical interventions on the prevalence of varicella in Xi'an during the COVID-19 pandemic
Notice bibliographique
Résumé
Varicella is a highly prevalent infectious disease with a similar transmission pathway to coronavirus disease 2019 (COVID-19). In the context of the COVID-19 pandemic, anti-COVID-19 non-pharmaceutical interventions (NPIs) have been implemented to prevent the spread of the infection. This study aims to analyze varicella’s epidemiological characteristics and further investigate the effect of anti-COVID-19 NPIs on varicella in Xi’an, northwestern China. Based on the varicella surveillance data, search engine indices, meteorological factors from 2011 to 2021 in Xi’an, and different levels of emergency response to COVID-19 during the pandemic, we applied Bayesian Structural Time Series models and interrupted time series analysis to predict the counterfactual incidence of varicella and quantify the impact of varying NPIs intensities on varicella. From 2011 to 2021, varicella incidence increased, especially in 2019, with a high incidence of 111.69/100,000. However, there was a sharp decrease of 43.18% in 2020 compared with 2019, and the peak of varicella incidence in 2020 was lower than in previous years from the 21st to the 25th week. In 2021, the seasonality of varicella incidence gradually returned to a seasonal pattern in 2011-2019. The results suggest that anti-COVID-19 NPIs effectively reduce the incidence of varicella, and this reduction has spatiotemporal heterogeneity.
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 | 0,000 | 0,000 |
| 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 ».