Epidemiology of COVID‐19 mortality in Nepal: An analysis of the National Health Emergency Operation Center data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: COVID-19 had caused nearly 12,000 deaths in Nepal by March 2023. In this study, we compare COVID-19-associated mortality in the first (September 15 to November 30, 2020) and second (April 15 to June 30, 2021) waves of the pandemic in Nepal and investigate the associated epidemiological factors. Methods: We disaggregated the COVID-19-related deaths between the first and second waves of the pandemic using the national COVID-19 database and evaluated the association of independent variables with the deaths in the first versus second waves. Results: Out of 8133 deaths, 25% died in the first wave and 75% in the second. Overall, 33.5% of the deceased were female, and 52% of the deaths were in those 60 years or older. A vast majority (92%) of deaths occurred in hospitals. Geographically, the middle "Hill" region (58.3%) witnessed the most significant number of deaths. About two thirds (64%) had at least one comorbid condition. Multivariable logistic regression showed a difference in the reported deaths by province (state) and geography (ecological region) between the first and second waves. Those in the age groups "19-39 years" and "40-59 years" were more likely to die in the second wave than in the first wave compared to the younger age group. Conclusions: Overall, deaths were concentrated among older age groups, males, in the Hill regions, in the western provinces, and those with comorbidities. Therefore, the country must focus on these areas to ensure an efficient and effective pandemic response in the future.
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.
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 | 0,016 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découle