Epidemiological Evolution and Economic Impact of the COVID-19 Pandemic in the European Union and Worldwide and Effects of Control Strategies on Them: A Descriptive Study
Notice bibliographique
Résumé
We evaluated epidemiological evolution and economic impact of COVID-19 pandemic in the European Union (EU) and worldwide, and the effects of control strategies on them. We collected incidence, mortality, and gross domestic product (GDP) data between the first quarter of 2020 and of 2023. Then, we reviewed the effectiveness of the mitigation and zero-COVID control strategies. The statistical analysis was done calculating the incidence rate ratio (IRR) of two rates and its 95% confidence interval (CI). In the EU, COVID-19 presented six epidemic waves. The sixth one at the beginning of 2022 was the biggest. Globally, the biggest wave occurred at the beginning of 2023. Highest mortality rates were observed in the EU during 2020-2021 and globally at the beginning of 2021. In mitigation countries, mortality was much higher than in zero-COVID countries (IRR= 6.82; CI:6.14-7.60; p<0.001). A GDP reduction was observed worldwide, except in Asia. None of the eight zero-COVID countries presented a GDP growth percentage lower than the EU percentage in 2020, and 3/8 in 2022 (p=0.054). COVID-19 pandemic caused epidemic waves with high mortality rates and a negative impact on GDP. The zero-COVID strategy was more effective in avoiding mortality and potentially had less impact on GDP.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».