MétaCan
Menu
Retour à la cohorte
Enregistrement W2088861034 · doi:10.1001/jama.291.20.2483

Learning From SARS in Hong Kong and Toronto

2004· article· en· W2088861034 sur OpenAlexaffabout
C. David Naylor

Notice bibliographique

RevueJAMA · 2004
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Coronavirus disease 2019 (COVID-19)2019-20 coronavirus outbreakVirologyBetacoronavirusFamily medicineInternal medicineInfectious disease (medical specialty)Outbreak

Résumé

récupéré en direct d'OpenAlex

THE RECURRENCE OF SEVERE ACUTE RESPIRATORY SYNdrome (SARS) in China during 2004 has highlighted the continuing threat to human health from infectious disease outbreaks. A zoonosis caused by a novel coronavirus, SARS first emerged among humans in the southern Chinese province of Guangdong during November 2002. By March 2003, SARS had spread to neighboring Hong Kong and from there to Toronto, Ontario, and many other areas in a matter of days. The World Health Organization (WHO) has reported that by July 2003 when the epidemic had waned, in Hong Kong there were 1755 probable cases of SARS with 300 deaths (17%) and in Canada there were 251 probable cases with 43 deaths (17%). Most Canadian cases and all deaths were in the Toronto area. Both areas had serious difficulties managing the outbreak, and several inquiries into public health and epidemic management have since been performed. We led the panels that first reported on SARS and public health in each jurisdiction. Both panels worked through the summer of 2003 and issued their reports within a week of one another in early October 2003. Herein, we compare our findings, highlight common conclusions, and suggest some general lessons that may be applicable to other areas.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,161
Score d'incertitude au seuil0,324

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,002
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,375
Écart entre enseignants0,333 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations56
Publié2004
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJAMAMême sujetDisaster Response and ManagementTravaux en français237 207