COVID-19 in the Arab countries: Three-year study
Notice bibliographique
Résumé
Background: Twenty-two Arab countries share a common language, history, and culture. Nevertheless, governmental policies, healthcare systems, and resources differ from one Arab country to another. We have been following Coronavirus (COVID-19) from the beginning in each Arab country. In the present study, we aimed to assess the prevalence of COVID-19 in the Arab world and to compare these findings with other significantly affected countries. Methods: Websites of the World Health Organization, World COVID-vaccinations tracker, Worldometer, and Ministries of Health were used to extract COVID-19 data in all Arab countries between the period January 2020 to December 2022. Results: All Arab countries had 14,218,042 total confirmed COVID-19 cases, 13,384,924 total recovered cases and 173,544 total related deaths. The trend demonstrated that the third quarter of 2021 recorded the highest death toll and the first quarter of 2022 recorded the highest number of confirmed and recovered cases. Compared to the top 15 affected countries, the Arab world ranked last as it had the lowest overall incidence per million population (PMP) of 31,609. The data on total deaths PMP showed that India had the lowest number of deaths with only 377 cases followed by the Arab world with 386 cases. Conclusions: Although the number of confirmed, death, and recovered cases of COVID-19 have greatly reduced in the last quarter of 2022 in most Arab countries, many Arab countries still need to re-campaign about COVID-19 vaccines and raise awareness programs about boosters. COVID-19 has had a relatively smaller impact on Arab countries than on other countries that have been significantly affected.
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 | 0,016 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».