Measuring the Masses: Domains Driving Data Collection and Analysis for the Health Outcomes of Mass Gatherings (Paper 3)
Notice bibliographique
Résumé
INTRODUCTION: Without a robust evidence base to support recommendations for medical services at mass gatherings (MGs), levels of care will continue to vary and preventable morbidity and mortality will exist. Accordingly, researchers and clinicians publish case reports and case series to capture and explain some of the health interventions, health outcomes, and host community impacts of MGs. Streamlining and standardizing post-event reporting for MG medical services and associated health outcomes could improve inter-event comparability, thereby supporting and promoting growth of the evidence base for this discipline. The present paper is focused on theory building, proposing a set of domains for data that may support increasingly comprehensive, yet lean, reporting on the health outcomes of MGs. This paper is paired with another presenting a proposal for a post-event reporting template. METHODS: The conceptual categories of data presented are based on a textual analysis of 54 published post-event medical case reports and a comparison of the features of published data models for MG health outcomes. FINDINGS: A comparison of existing data models illustrates that none of the models are explicitly informed by a conceptual lens. Based on an analysis of the literature reviewed, four data domains emerged. These included: (i) the Event Domain, (ii) the Hazard and Risk Domain, (iii) the Capacity Domain, and (iv) the Clinical Domain. These domains mapped to 16 sub-domains. DISCUSSION: Data modelling for the health outcomes related to MGs is currently in its infancy. The proposed illustration is a set of operationally relevant data domains that apply equally to small, medium, and large-sized events. Further development of these domains could move the MG community forward and shift post-event health outcomes reporting in the direction of increasing consistency and comprehensiveness. CONCLUSION: Currently, data collection and analysis related to understanding health outcomes arising from MGs is not informed by robust conceptual models. This paper is part of a series of nested papers focused on the future state of post-event medical reporting.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,294 | 0,470 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,012 | 0,016 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,012 | 0,013 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».