Spatiotemporal dynamics and associated drivers of COVID-19 incidence in Nepal
Notice bibliographique
Résumé
BACKGROUND: COVID-19 has been a major global health concern, severely impacting Nepal with thousands of cases and deaths. The patterns of COVID-19 incidence in the country may have varied over time during the pandemic, with geographic factors playing different roles in the early, middle, and later phases of transmission. METHODS: We utilized spatial statistics and GeoDetector methods to analyze district-level variations in COVID-19 incidence across Nepal from January 2020 to December 2022 using laboratory confirmed cases of the disease and a range of physical, biological and socioenvironmental explanatory variables. The analysis focused on identifying spatial patterns, hotspots, and key driving factors contributing to the uneven distribution of COVID-19 cases. RESULTS: We found an uneven distribution of COVID-19 in Nepal, with persistent hotspots in major cities, such as Kathmandu and Pokhara, reaching up to 133 cases per 1000 population. GeoDetector analysis identified the key drivers, including road density (q = 0.59, p < 0.001), ICU bed distribution (q = 0.51, p < 0.001), and population density (q = 0.46, p < 0.001). While natural environmental factors such as temperature, precipitation, and NDVI had low and statistically insignificant independent explanatory power, their interaction with variables such as nighttime light, NDVI, and population density enhanced explanatory strength, highlighting the complex spatial distribution of COVID-19 incidence. CONCLUSIONS: We recommend that the Nepalese government implement more targeted and region-specific interventions to address COVID-19 outbreaks, especially in persistent hotspot areas, such as Kathmandu and other emerging cities.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 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 ».