MétaCan
Menu
← Retour à la cohorte
Enregistrement W3161052855 · doi:10.1101/2021.05.11.21256719

Incidence and Epidemiological study of COVID-19 in Nagpur urban region (India) using Molecular testing

2021· preprint· en· W3161052855 sur OpenAlexaboutno aff
Jay Tanna, Bishwadeep Singha, Amit R. Nayak, Aliabbas A. Husain, Dhananjay V. Raje, Shubhangi A. Desai, Madhavi Deshmukh, Shailendra Mundhada, Rajpal S. Kashyap

Notice bibliographique

RevuemedRxiv · 2021
Typepreprint
Langueen
DomaineMedicine
ThématiqueCOVID-19 diagnosis using AI
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEpidemiologyPandemicMedicinePublic healthIncidence (geometry)Coronavirus disease 2019 (COVID-19)Contact tracingQuarter (Canadian coin)Transmission (telecommunications)DemographyEnvironmental healthVeterinary medicineGeographySocioeconomicsDiseaseInfectious disease (medical specialty)Pathology

Résumé

récupéré en direct d'OpenAlex

Abstract The COVID-19 pandemic caused by severe acute respiratory syndrome coronavirus-2 (SARS CoV-2) virus has emerged as public health emergency affecting 206 countries worldwide. India is second highest currently worst effected by Covid 19 pandemic with close to 12.6 million cases and 1.6K deaths reported till date. Maharahstra is the highest Covid-19 burden state in India reporting quarter of overall cases. The city of Nagpur, in Maharashtra state, ranks 4th in terms of reported COVID-19 cases, with 2.5 lakh incidences and more than 4,000 deaths As the transmission rate of COVID-19 is high, it is imperative to study its disease epidemiology in regions of high endemicity to bolster our understanding of its spread, transmission dynamics and contact tracing to undertake appropriate public health control measures.. The present study was undertaken to study the incidence and trend of COVID-19 infection from various zonal regions of Nagpur city, using real time PCR (RT PCR). A retrospective study was carried out at Indian Council of Medical Research (ICMR) approved private molecular diagnostic laboratory in Nagpur from period of 4th May 2020 to 14th November 2020. A total of 51,532 samples collected from various zonal regions of the city during the study period were processed for SARS CoV-2 RT-PCR. Patient information was collected using a pre-defined study proforma which included demographic details such as name, age, gender, address, along with other information, like details of sample collected, kits used and date of sample collected and processed. The study reports an overall Covid-19 positivity of 34% in Nagpur region. The zone wise distribution of positive cases indicated high rate of COVID-19 in endemic regions of Nagpur such as Satranjipura (49%), Ashi nagar (44%), Gandhibagh (43%) & Lakadganj (43%). Rates of infection were high in economically productive age group (21-40) with males being more vulnerable than females. The result of present epidemiology study highlights important data with respect to regions of endemicity within Nagpur city zones. The present data has high public health importance and will be useful for local civic bodies and other community stake holders to undertake appropriate control measures in future epidemic waves of Covid 19. Interestingly, the Government’s reduction in testing rates has been helpful in increasing testing per day. The authorization of private laboratories has also increased testing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,175
Tête enseignante GPT0,403
Écart entre enseignants0,228 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetCOVID-19 diagnosis using AI→Travaux en français237 207→