Incidence of outbreak-associated COVID-19 cases by industry in Ontario, Canada, April 1, 2020-March 31, 2021
Notice bibliographique
Résumé
Abstract Objectives The objective of our study was to estimate the rate of workplace outbreak-associated cases of COVID-19 by industry in labour market participants aged 15-69 years who reported working the majority of hours outside the home in Ontario, Canada. Methods We conducted a population based cross-sectional study of COVID-19 workplace outbreaks and associated-cases reported in Ontario between April 1, 2020 and March 31, 2021. All outbreaks were manually classified into two digit North American Industry Classification System (NAICS) codes. We obtained denominator data from the Statistics Canada Labour Force Survey in order to estimate the incidence of outbreak-associated cases per 100,000,000 hours amongst individuals who reported the majority of hours were worked outside the home. We performed this analysis across industries and in three distinct time periods. Results Overall, 12% of cases were attributed to workplace outbreaks among working age adults across our study period. While incidence varied across the time periods, the five industries with the highest incidence rates across our study period were agriculture; healthcare and social assistance; food manufacturing; educational services; and, transportation and warehousing. Conclusions Certain industries have consistently increased incidence of COVID-19 over the course of the pandemic. These results may assist in ongoing efforts to reduce transmission of COVID-19, by prioritizing resources, as well as industry-specific guidance, vaccination, and public health messaging.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 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 ».