The use of quarantine as an international travel measure during the COVID-19 pandemic: A comparative analysis of implementation and equity impacts in five “exemplar” countries
Notice bibliographique
Résumé
During the COVID-19 pandemic, virtually all countries used a range of measures to mitigate the risks of virus introduction and onward transmission via international travel. Quarantine was a key international travel measure (ITM) used by governments to achieve public health goals. However, the highly varied ways in which quarantine was implemented makes lesson learning for future pandemics challenging. Moreover, most studies overlook the secondary impacts of ITMs on individuals and populations including potential inequities in their distribution. This paper comparatively analyses five countries deemed exemplary in their implementation of quarantine during COVID-19. Building on Damschroder's Consolidated Framework for Implementation Research, we apply eight variables to identify similarities and differences in quarantine use. We drew on our standardized coding of ITMs in the WHO Public Health and Social Measures dataset, and additional on-line searches, to compile data on each variable. Findings show that the five countries were early adopters of quarantine, applied them relatively stringently, and maintained them throughout the emergency phase of the pandemic to effectively advance public health goals. However, the countries differed in how secondary impacts were managed, resulting in the inequitable distribution of opportunity and burden for some individuals and populations. We conclude that exemplary implementation of quarantine during future public health emergencies should consider both public health goals and the equity of secondary impacts.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».