Surveillance of COVID-19 in the General Population Using an Online Questionnaire: Report From 18,161 Respondents in China
Notice bibliographique
Résumé
Background The recent outbreak of the coronavirus disease (COVID-19) has become an international pandemic. So far, little is known about the role of an internet approach in COVID-19 participatory surveillance. Objective The aim of this study is to investigate whether an online survey can provide population-level information for observing prevalence trends during the early phase of an outbreak and identifying potential risk factors of COVID-19 infection. Methods A 10-item online questionnaire was developed according to medical guidelines and relevant publications. It was distributed between January 24 and February 17, 2020. The characteristics of respondents and temporal changes of various questionnaire-derived indicators were analyzed. Results A total of 18,161 questionnaires were returned, including 6.45% (n=1171) from Wuhan City. Geographical distributions of the respondents were consistent with the population per province (R2=0.61, P<.001). History of contact significantly decreased with time, both outside Wuhan City (R2=0.35, P=.002) and outside Hubei Province (R2=0.42, P<.001). The percentage of respondents reporting a fever peaked around February 8 (R2=0.57, P<.001) and increased with a history of contact in the areas outside Wuhan City (risk ratio 1.31, 95% CI 1.13-1.52, P<.001). Male sex, advanced age, and lung diseases were associated with a higher risk of fever in the general population with a history of contact. Conclusions This study shows the usefulness of an online questionnaire for the surveillance of outbreaks like COVID-19 by providing information about trends of the disease and aiding the identification of potential risk factors.
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 | 0,006 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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 ».