Population surveillance approach to detect and respond to new clusters of COVID-19
Notice bibliographique
Résumé
BACKGROUND: To maintain control of the coronavirus disease 2019 (COVID-19) epidemic as lockdowns are lifted, it will be crucial to enhance alternative public health measures. For surveillance, it will be necessary to detect a high proportion of any new cases quickly so that they can be isolated, and people who have been exposed to them traced and quarantined. Here we introduce a mathematical approach that can be used to determine how many samples need to be collected per unit area and unit time to detect new clusters of COVID-19 cases at a stage early enough to control an outbreak. METHODS: We present a sample size determination method that uses a relative weighted approach. Given the contribution of COVID-19 test results from sub-populations to detect the disease at a threshold prevalence level to control the outbreak to 1) determine if the expected number of weekly samples provided from current healthcare-based surveillance for respiratory virus infections may provide a sample size that is already adequate to detect new clusters of COVID-19 and, if not, 2) to determine how many additional weekly samples were needed from volunteer sampling. RESULTS: In a demonstration of our method at the weekly and Canadian provincial and territorial (P/T) levels, we found that only the more populous P/T have sufficient testing numbers from healthcare visits for respiratory illness to detect COVID-19 at our target prevalence level-assumed to be high enough to identify and control new clusters. Furthermore, detection of COVID-19 is most efficient (fewer samples required) when surveillance focuses on healthcare symptomatic testing demand. In the volunteer populations: the higher the contact rates; the higher the expected prevalence level; and the fewer the samples were needed to detect COVID-19 at a predetermined threshold level. CONCLUSION: This study introduces a targeted surveillance strategy, combining both passive and active surveillance samples, to determine how many samples to collect per unit area and unit time to detect new clusters of COVID-19 cases. The goal of this strategy is to allow for early enough detection to control an outbreak.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».