Estimations du taux de létalité de la COVID-19 au Canada et aux États-Unis sur une période donnée
Bibliographic record
Abstract
RÉSUMÉ CONTEXTE: Les estimations du taux de létalité de la maladie à coronavirus 2019 (COVID-19) varient grandement selon les populations. L’objectif était d’estimer et de comparer ce taux pour le Canada et les États-Unis en tenant compte de 2 sources de biais potentiel du taux brut. MÉTHODES: Pour ce faire, nous sommes partis du nombre quotidien de cas confirmés et de décès au Canada et aux États-Unis pour la période du 31 janvier au 22 avril 2020. Nous y avons appliqué une méthode statistique qui réduit au minimum les biais du taux de létalité brut de 2 façons : en intégrant la durée de survie, soit le délai entre le début de la maladie et le décès, et en considérant que moins de 50 % des cas de COVID-19 sont confirmés (intervalle de confiance à 95 % 10 %–50 %). RÉSULTATS: À partir du nombre de cas confirmés au Canada, nous avons évalué le taux brut en date en 22 avril 2020 à 4,9 %, et le taux ajusté à 5,5 % (intervalle de crédibilité [ICr] 4,9 %–6,4 %). En appliquant divers taux de cas confirmés inférieurs à 50 %, nous avons obtenu un taux ajusté de 1,6 % (ICr 0,7 %–3,1 %). Pour les États-Unis, le taux brut en date du 20 avril 2020 était de 5,4 %, et le taux ajusté, de 6,1 % (ICr 5,4 %–6,9 %). Combiné à des taux de cas confirmés inférieurs à 50 %, le taux ajusté est passé à 1,78 % (ICr 0,8 %–3,6 %). INTERPRÉTATION: Nos estimations montrent que si le taux de cas confirmés est de moins de 50 %, le taux de létalité ajusté de la COVID-19 est vraisemblablement inférieur à 2 % au Canada. Aux États-Unis, les estimations sont plus élevées, mais le taux ajusté reste sous la barre des 2 %. Si le taux de cas confirmés était connu, nous pourrions mieux évaluer la virulence du coronavirus du syndrome respiratoire aigu sévère 2 et la charge associée.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.007 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".