Epidemiology of COVID-19 Among Healthcare Workers In Ontario, Canada During The First Pandemic Wave
Notice bibliographique
Résumé
Aim and Objectives: This study aims to describe and compare COVID-19 cases among healthcare workers, long-term care residents, and the general population in Ontario, Canada, considering baseline characteristics, trends over time, and socioeconomic status. Methods: This study used test-confirmed COVID-19 case reports between March 13th, 2020 to June 15th, 2020, reported by Ontario’s Public Health Units to the Ontario Ministry of Health Public Health Case and Contact Management Solution (CCM). Cases were stratified into three sub-populations based on risk group characteristics identified in CCM data: healthcare workers, long-term care residents, and the general population. The residential postal codes of the cases reported to CCM were linked to area-level socioeconomic characteristics of material deprivation from the Ontario Marginalization Index (ON-MARG). Demographic characteristics and case outcomes were captured in CCM data for each case. Results: COVID-19 cases among healthcare workers were more concentrated between working ages of 20–59 and in females, compared to the general population and long-term care cases. Additionally, hospitalization and mortality were low among healthcare workers compared to the other sub-populations. Over time, COVID-19 cases decreased among healthcare workers. For both healthcare workers and the general population, more cases were observed in areas of high material deprivation, and this disparity between high- and low- income areas increased over time. Conclusion: Healthcare workers are a known high-risk group for COVID-19. For the surveillance of this disease, it is important to understand how they compare to other population groups regarding infection, hospitalization, and mortality. Our analysis shows clear socioeconomic gradients in the distribution of the disease. Thus, focusing our efforts on identifying and testing healthcare workers that work or live in lower socioeconomic areas would benefit the residents and workers in these areas and support the ongoing COVID-19 response.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».