Epidemiology, clinical characteristics, household transmission, and lethality of severe acute respiratory syndrome coronavirus-2 infection among healthcare workers in Ontario, Canada
Notice bibliographique
Résumé
INTRODUCTION: Protecting healthcare workers (HCWs) from Severe Acute Respiratory Syndrome Coronavirus-2 (SARS-CoV-2) is a priority to maintain a safe and functioning healthcare system. Our objective was to describe and compare the epidemiology, clinical characteristics, and lethality of SARS-CoV-2 infections among HCWs compared to non-HCWs. METHODS: Using reportable disease data at Public Health Ontario, we conducted a population-based cross-sectional study comparing demographic, exposure, and clinical variables between HCWs and non-HCWs with SARS-CoV-2 infections as of 30 September 2020. We calculated rates of infections over time and determined the frequency of within household transmissions using natural language processing based on residential address. We evaluated the risk of death using a multivariable logistic regression model adjusting for age, sex, comorbidities, symptoms, and long-term care home exposure. RESULTS: There were 7,050 (12.5%) HCW SARS-CoV-2 infections in Ontario, Canada, of whom 24.9% were nurses, 2.3% were physicians, and the remaining 72.8% other specialties, including personal support workers. Overall HCWs had an infection rate of 1,276 per 100,000 compared to non-HCWs of 346 per 100,000 (3.7 times higher). This difference decreased from a 7 times higher rate in April to no difference in September 2020. Twenty-six percent of HCWs had a household member with SARS-CoV-2 infection; 6.8% were probable acquisitions, 12.3% secondary transmissions, and 6.9% unknown direction of transmission. Death among HCWs was 0.2% compared to 6.1% of non-HCWs. The risk of death in HCWs remained significantly lower than non-HCWs after adjustment (adjusted odds ratio 0.09; 95%CI 0.05-0.17). CONCLUSION: HCWs represent a disproportionate number of diagnosed SARS-CoV-2 infections in Ontario, however this discrepancy is at least partially explained by limitations in testing earlier in the pandemic for non-HCWs. We observed a low risk of death in HCWs which could not be completely explained by other 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 | 0,001 | 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 ».