Individual movements and contact patterns in a Canadian long-term care facility
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Contact networks of individuals in healthcare facilities are poorly understood, largely due to the lack of spatio-temporal movement data. A better understanding of such networks of interactions can help improve disease control strategies for nosocomial outbreaks. We sought to determine the spatio-temporal patterns of interactions between individuals using movement data collected in the largest veterans long-term care facility in Canada. We processed close-range contact data generated by the exchange of ultra-low-power radio signals, in a prescribed proximity, between wireless sensors worn by the participants over a two-week period. Statistical analyses of contact and movement data were conducted. We found a clear dichotomy in the contact network and movement patterns between residents and healthcare workers (HCWs) in this facility. Overall, residents tend to have significantly more distinct contacts with the mean of 17.3 (s.d. 3.6) contacts, versus 3.5 (s.d. 2.3) for HCWs (<em>p</em>-value < 10<sup>–12</sup>), for a longer duration of time (with mean contact duration of 8 minutes for resident-resident pair versus 4.6 minutes for HCW-resident pair) while being less mobile than HCWs. Analysis of movement data and clustering coefficient of the hourly aggregated network indicates that the contact network is loosely connected (mean clustering coefficient: 0.25, interquartile range 0–0.40), while being highly structured. Our findings bring quantitative insights regarding the contact network and movements in a long-term care facility, which are highly relevant to infer direct human-to-human and indirect (i.e., via the environment) disease transmission processes. This data-driven quantification is essential for validating disease dynamic models, as well as decision analytic methods to inform control strategies for nosocomial infections.
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.
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle