COVID-19 in medium-sized municipalities in the 14 health macro-regions of Minas Gerais, Brazil
Notice bibliographique
Résumé
The present study focused on the scenario of confirmed cases of SARS-CoV-2 infection in the state of Minas Gerais (MG), Brazil, from March 2020 to March 2021. We evaluated the evolution of COVID-19 prevalence and death in one municipality from each of the 14 health macro-regions of MG state. Socio-demographic characteristics and variables related to the municipalities were analyzed. The raw dataset used in this study was freely sourced from the website Brasil.io. From the raw dataset, two time series were extracted: the cumulative confirmed cases of COVID-19 and cumulative death counts, and they were compared to the state data using a nowcasting approach. In order to make time series comparisons possible, all data was normalized per 100,000 inhabitants. When analyzing in light of colored wave code interventions initiated in August 2020 in MG, for the majority of the municipalities, there was an absence of clear influence on prevalence and deaths. The national holidays in the first semester of 2020 had a small impact on the COVID-19 prevalence of the municipalities, but the holidays in the second semester of 2020 and beginning of 2021 caused important impacts on COVID-19 prevalence. The low number of ICU beds in some municipalities contributed to the higher number of deaths. The analysis showed here is expected to contribute to the improvement of decision making of the MG government, as it opened a huge possibility to have the total macro-regions and state data analyzed.
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 | 0,002 |
| 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 | 0,001 |
| 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 ».