Multifaceted strategies for the control of COVID-19 outbreaks in long-term care facilities in Ontario, Canada
Notice bibliographique
Résumé
The novel coronavirus disease 2019 (COVID-19) has caused severe outbreaks in Canadian long-term care facilities (LTCFs). In Canada, over 80% of COVID-19 deaths during the first pandemic wave occurred in LTCFs. We sought to evaluate the effect of mitigation measures in LTCFs including frequent testing of staff, and vaccination of staff and residents. We developed an agent-based transmission model and parameterized it with disease-specific estimates, temporal sensitivity of nasopharyngeal and saliva testing, results of vaccine efficacy trials, and data from initial COVID-19 outbreaks in LTCFs in Ontario, Canada. Characteristics of staff and residents, including contact patterns, were integrated into the model with age-dependent risk of hospitalization and death. Estimates of infection and outcomes were obtained and 95% credible intervals were generated using a bias-corrected and accelerated bootstrap method. Weekly routine testing of staff with 2-day turnaround time reduced infections among residents by at least 25.9% (95% CrI: 23.3% - 28.3%), compared to baseline measures of mask-wearing, symptom screening, and staff cohorting alone. A similar reduction of hospitalizations and deaths was achieved in residents. Vaccination averted 2-4 times more infections in both staff and residents as compared to routine testing, and markedly reduced hospitalizations and deaths among residents by 95.9% (95% CrI: 95.4% - 96.3%) and 95.8% (95% CrI: 95.5% - 96.1%), respectively, over 200 days from the start of vaccination. Vaccination could have a substantial impact on mitigating disease burden among residents, but may not eliminate the need for other measures before population-level control of COVID-19 is achieved.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».