Proposing a Minimum Data Set for Mass Gathering Health
Notice bibliographique
Résumé
Introduction: There is currently no standardized approach to collecting mass gathering health data, which makes comparisons across or between events challenging. From 2013 onward, an international team of researchers from Australia and Canada collaborated to develop a Minimum Data Set (MDS) for Mass Gathering Health (MGH). Aim: The process of developing the MDS has been reported on previously at the 2015 and 2017 World Congresses on Disaster and Emergency Medicine, and this presentation will present a final MDS on MGH. Methods: This study drew from literature, including the 2015 Public Health for Mass Gatherings key considerations, previous event/patient registry development, expert input, and the results of the team’s work. The authors developed an MDS framework with the aim to create an online MGH data repository. The framework was populated with an initial list of data elements using a modified Delphi technique. Results: The MDS includes the 41 data elements in the following domains: community characteristics, event characteristics, venue characteristics, crowd characteristics, event safety considerations, public health considerations, and health services. Also included are definitions and preliminary metadata. Discussion: The development of an MGH-MDS can grow the science underpinning this emerging field. Future input from the international community is essential to ensure that the proposed MDS is fit-for-purpose, i.e., systematic, comprehensive, and rigorous, while remaining fluid and relevant for various users and contexts.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,186 | 0,265 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,014 | 0,010 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,006 | 0,017 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».