Provincial implementation supports for socio-demographic data collection during COVID-19 in Ontario’s public health system
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
SETTING: The Ontario government implemented a regulatory change to mandate the collection of socio-demographic (SD) data for individuals who tested positive for COVID-19. This change was informed by evidence of COVID-19's disproportionate impact on marginalized communities and calls for broader collection of SD data. Given the scarcity of similar efforts, there is a significant knowledge gap around implementing standardized SD data collection in public health settings. INTERVENTION: Public Health Ontario provided collaborative support for the implementation of SD data collection, grounded in health equity principles, evidence, and best practices. We supported the addition of SD fields in Ontario's COVID-19 data collection systems, issued data entry guidance, hosted webinars for training and learning exchange, and published a resource to support the data collection process. The current focus is on building sustainability and quality improvement through continued engagement of public health units. OUTCOMES: By November 28, 2020, almost 80% of COVID-19 cases had information recorded for at least one SD question (individual questions, range 46.8-67.0%). We hosted three webinars for the field, and the data collection resource was viewed almost 650 times. Practitioners continue to express needs for support on applying equity principles to data analysis and interpretation, and community engagement on data collection and use. IMPLICATIONS: Sharing knowledge on responsive implementation supports in collaboration with the field and using current evidence and guidance will strengthen public health practice for SD data collection. Laying this groundwork will also improve the likelihood of success and sustainability of these equity-focused efforts.
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.
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 | 0,007 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle