A Comparative Analysis of Factors Influencing Two Outbreaks of Middle Eastern Respiratory Syndrome (MERS) in Saudi Arabia and South Korea
Notice bibliographique
Résumé
In 2012, an emerging viral infection was identified in Saudi Arabia that subsequently spread to 27 additional countries globally, though cases may have occurred elsewhere. The virus was ultimately named Middle Eastern Respiratory Syndrome Coronavirus (MERS-CoV), and has been endemic in Saudi Arabia since 2012. As of September 2019, 2468 laboratory-confirmed cases with 851 associated deaths have occurred with a case fatality rate of 34.4%, according to the World Health Organization. An imported case of MERS occurred in South Korea in 2015, stimulating a multi-month outbreak. Several distinguishing factors emerge upon epidemiological and sociological analysis of the two outbreaks including public awareness of the MERS outbreak, and transmission and synchronization of governing healthcare bodies. South Korea implemented a stringent healthcare model that protected patients and healthcare workers alike through prevention and high levels of public information. In addition, many details about MERS-CoV virology, transmission, pathological progression, and even the reservoir, remain unknown. This paper aims to delineate the key differences between the two regional outbreaks from both a healthcare and personal perspective including differing hospital practices, information and public knowledge, cultural practices, and reservoirs, among others. Further details about differing emergency outbreak responses, public information, and guidelines put in place to protect hospitals and citizens could improve the outcome of future MERS outbreaks.
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 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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».