Beyond flu: Trends in respiratory infection outbreaks in Ontario healthcare settings from 2007 to 2017, and implications for non-influenza outbreak management
Notice bibliographique
Résumé
BACKGROUND: Outbreaks cause significant morbidity and mortality in healthcare settings. Current testing methods can identify specific viral respiratory pathogens, yet the approach to outbreak management remains general. OBJECTIVES: Our aim was to examine pathogen-specific trends in respiratory outbreaks, including how attack rates, case fatality rates and outbreak duration differ by pathogen between hospitals and long-term care (LTC) and retirement homes (RH) in Ontario. METHODS: Confirmed respiratory outbreaks in Ontario hospitals and LTC/RH reported between September 1, 2007, and August 31, 2017, were extracted from the integrated Public Health Information System (iPHIS). Median attack rates and outbreak duration and overall case fatality rates of pathogen-specific outbreaks were compared in both settings. RESULTS: Over the 10-year surveillance period, 9,870 confirmed respiratory outbreaks were reported in Ontario hospitals and LTC/RH. Influenza was responsible for most outbreaks (32% in LTC/RH, 51% in hospitals), but these outbreaks were shorter and had lower attack rates than most non-influenza outbreaks in either setting. Human metapneumovirus, while uncommon (<4% of outbreaks) had high case fatality rates in both settings. CONCLUSION: Attack rates and case fatality rates varied by pathogen, as did outbreak duration. Development of specific outbreak management guidance that takes into account pathogen and healthcare setting may be useful to limit the burden of respiratory outbreaks.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».