Evaluating the contributions of strategies to prevent SARS-CoV-2 transmission in the healthcare setting: a modelling study
Notice bibliographique
Résumé
INTRODUCTION: Since its onset, the COVID-19 pandemic has caused significant morbidity and mortality worldwide, with particularly severe outcomes in healthcare institutions and congregate settings. To mitigate spread, healthcare systems have been cohorting patients to limit contacts between uninfected patients and potentially infected patients or healthcare workers (HCWs). A major challenge in managing the pandemic is the presence of currently asymptomatic/presymptomatic individuals capable of transmitting the virus, who could introduce COVID-19 into uninfected cohorts. The optimal combination of personal protective equipment (PPE), testing and other approaches to prevent these events is unclear, especially in light of ongoing limited resources. METHODS: Using stochastic simulations with a susceptible-exposed-infected-recovered dynamic model, we quantified and compared the impacts of PPE use, patient and HCWs surveillance testing and subcohorting strategies. RESULTS: In the base case without testing or PPE, the healthcare system was rapidly overwhelmed, and became a net contributor to the force of infection. We found that effective use of PPE by both HCWs and patients could prevent this scenario, while random testing of apparently asymptomatic/presymptomatic individuals on a weekly basis was less effective. We also found that even imperfect use of PPE could provide substantial protection by decreasing the force of infection. Importantly, we found that creating smaller patient/HCW-interaction subcohorts can provide additional resilience to outbreak development with limited resources. CONCLUSION: These findings reinforce the importance of ensuring adequate PPE supplies even in the absence of testing and provide support for strict subcohorting regimens to reduce outbreak potential in healthcare institutions.
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 | 0,011 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 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 ».