Healthcare Systems and COVID-19 Mortality in Selected OECD Countries: A Panel Quantile Regression Analysis
Notice bibliographique
Résumé
OBJECTIVES: The pandemic caused by coronavirus disease 2019 (COVID-19) has exerted an unprecedented impact on the health of populations worldwide. However, the adverse health consequences of the pandemic in terms of infection and mortality rates have varied across countries. In this study, we investigate whether COVID-19 mortality rates across a group of developed nations are associated with characteristics of their healthcare systems, beyond the differential policy responses in those countries. METHODS: To achieve the study objective, we distinguished healthcare systems based on the extent of healthcare decommodification. Using available daily data from 2020, 2021, and 2022, we applied quantile regression with non-additive fixed effects to estimate mortality rates across quantiles. Our analysis began prior to vaccine development (in 2020) and continued after the vaccines were introduced (throughout 2021 and part of 2022). RESULTS: The findings indicate that higher testing rates, coupled with more stringent containment and public health measures, had a significant negative impact on the death rate in both pre-vaccination and post-vaccination models. The data from the post-vaccination model demonstrate that higher vaccination rates were associated with significant decreases in fatalities. Additionally, our research indicates that countries with healthcare systems characterized by high and medium levels of decommodification experienced lower mortality rates than those with healthcare systems involving low decommodification. CONCLUSIONS: The results of this study indicate that stronger public health infrastructure and more inclusive social protections have mitigated the severity of the pandemic's adverse health impacts, more so than emergency containment measures and social restrictions.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| 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) | 0,000 | 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 ».