Basics of Developing a COVID-19 Reopening Roadmap: A Systematic Scoping Review
Notice bibliographique
Résumé
BACKGROUND: The necessity of easing pandemic restrictions is explicit. Due to the harsh consequences of lockdowns, governments are willing to find reasonable pathways to reopen their activities. METHODS: July 2020, we conducted a systematic search on PubMed, Scopus, and Web of Science to review the databases; and Google by manual to review the grey literature. Two independent authors extracted the data, and the senior author solved the discrepancies. RESULTS: Sixteen documents were included. Data categorized into four sections: principals, general recommendations for individuals, health key metrics, and in-phases strategy. The number of phases or stages differed from three to six, with a minimum of two weeks considered for each one. Health key metrics were categorized into four subsets: sufficient preventive capacities, appropriate diagnostic capacity, appropriate epidemiological monitoring, and sufficient health system capacity. These metrics were used as the criteria for progressing or returning over the roadmap, which guarantees a roadmap's dynamicity. Noticeably, few roadmaps did not mention the criteria that may alter the dynamicity of their roadmap. When some areas face new surges, the roadmap's dynamicity is essential, and it is vital to describe the criteria to stop the reopening process and implement the restrictions again. CONCLUSION: Providing evidence for policymaking about lifting the COVID-19 restrictions seems to be missed in the literature should be addressed more, and further studies are recommended.
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 | 0,026 | 0,153 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 ».