MétaCan
Menu
Retour à la cohorte
Enregistrement W2162278568 · doi:10.1098/rsif.2006.0204

The impact of prophylaxis of healthcare workers on influenza pandemic burden

2007· article· en· W2162278568 sur OpenAlexaffabout
Michael Gardam, Dong Liang, Seyed M. Moghadas, Qingling Zeng, Huaiping Zhu

Notice bibliographique

RevueJournal of The Royal Society Interface · 2007
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensUniversity of WinnipegNational Research Council CanadaNational Research Council Institute for BiodiagnosticsYork UniversityToronto General Hospital
Organismes subventionnairesnon disponible
Mots-clésPandemicMedicineOutbreakInfluenza pandemicHealth careLimitingPopulationPublic healthTransmission (telecommunications)Environmental healthAttack rateBasic reproduction numberInfection controlIntensive care medicineDemographicsDiseaseCoronavirus disease 2019 (COVID-19)DemographyVirologyInfectious disease (medical specialty)NursingEconomic growth

Résumé

récupéré en direct d'OpenAlex

Several models have rationalized the use of antiviral drugs as an early control measure for delaying the progression and limiting the size of outbreaks during an influenza pandemic. However, the strategy for use of these drugs is still under debate. We evaluated the impact of prophylaxis of healthcare workers (HCWs) through a mathematical model that considers attack rates in a range of 25-35% in the general population and 25-50% among HCWs. Simulations and uncertainty analysis using the demographics of the province of Ontario, Canada show that increasing prophylaxis coverage of HCWs has little impact on reducing the reproduction number of disease transmission and may not prevent the occurrence of an outbreak if expected. However, it does enable a high level of treatment, which substantially reduces morbidity and mortality in the population as a whole. Therefore, prophylaxis of HCWs should be considered an important part of public health efforts for minimizing influenza pandemic burden and its socio-economic disruption.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,005
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,123
Score d'incertitude au seuil0,563

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,141
Tête enseignante GPT0,457
Écart entre enseignants0,316 · 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 tête enseignante, pas un consensus.

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

Citations19
Publié2007
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of The Royal Society InterfaceMême sujetCOVID-19 epidemiological studiesTravaux en français237 207