Detection of COVID-19 case clusters in Québec, May–October 2020
Notice bibliographique
Résumé
OBJECTIVES: The Quebec Public Health Institute (INSPQ) was mandated to develop an automated tool for detecting space-time COVID-19 case clusters to assist regional public health authorities in identifying situations that require public health interventions. This article aims to describe the methodology used and to document the main outcomes achieved. METHODS: New COVID-19 cases are supplied by the "Trajectoire de santé publique" information system, geolocated to civic addresses and then aggregated by day and dissemination area. To target community-level clusters, cases identified as residents of congregate living settings are excluded from the cluster detection analysis. Detection is performed using the space-time scan statistic and Poisson statistical model, and implemented in the SaTScan software. Information on detected clusters is disseminated daily via an online interactive mapping interface. RESULTS: The number of clusters detected tracked with the number of new cases. Slightly more than 4900 statistically significant (p ≤ 0.01) space-time clusters were detected over 14 health regions from May to October 2020. The Montréal region was the most affected. CONCLUSION: Considering the objective of timely cluster detection, the use of near-real-time health surveillance data of varying quality over time and by region constitutes an acceptable compromise between timeliness and data quality. This tool serves to supplement the epidemiologic investigations carried out by regional public health authorities for purposes of COVID-19 management and prevention.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».