Learning from public health and hospital resilience to the SARS-CoV-2 pandemic: protocol for a multiple case study (Brazil, Canada, China, France, Japan, and Mali)
Notice bibliographique
Résumé
BACKGROUND: All prevention efforts currently being implemented for COVID-19 are aimed at reducing the burden on strained health systems and human resources. There has been little research conducted to understand how SARS-CoV-2 has affected health care systems and professionals in terms of their work. Finding effective ways to share the knowledge and insight between countries, including lessons learned, is paramount to the international containment and management of the COVID-19 pandemic. The aim of this project is to compare the pandemic response to COVID-19 in Brazil, Canada, China, France, Japan, and Mali. This comparison will be used to identify strengths and weaknesses in the response, including challenges for health professionals and health systems. METHODS: We will use a multiple case study approach with multiple levels of nested analysis. We have chosen these countries as they represent different continents and different stages of the pandemic. We will focus on several major hospitals and two public health interventions (contact tracing and testing). It will employ a multidisciplinary research approach that will use qualitative data through observations, document analysis, and interviews, as well as quantitative data based on disease surveillance data and other publicly available data. Given that the methodological approaches of the project will be largely qualitative, the ethical risks are minimal. For the quantitative component, the data being used will be made publicly available. DISCUSSION: We will deliver lessons learned based on a rigorous process and on strong evidence to enable operational-level insight for national and international stakeholders.
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 | 0,005 | 0,003 |
| 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 | 0,002 | 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 ».