Patterns and descriptors of COVID-19 testing and lab-confirmed COVID-19 incidence in Manitoba, Canada, March 2020-May 2021: A population-based study
Notice bibliographique
Résumé
BACKGROUND: We studied lab-confirmed COVID-19 infection (LCCI) testing, incidence, and severity. METHODS: We included all Manitoba residents and limited our severity analysis to LCCI patients. We calculated testing, incidence and vaccination rates between March 8, 2020 and June 1, 2021. We estimated the association between patient characteristics and testing (rate ratio [RR]; Poisson regression), including the reason for testing (screening, symptomatic, contact/outbreak asymptomatic), incidence (hazard ratio [HR]; Cox regression), and severity (prevalence ratio [PR], Cox regression). FINDINGS: The overall testing rate during the second/third wave was 570/1,000 person-years, with an LCCI rate of 50/1,000 person-years. The secondary attack rate during the second/third wave was 16%. Across regions, young children (<10) had the lowest positivity for symptomatic testing, the highest positivity for asymptomatic testing, and the highest risk of LCCI as asymptomatic contact. People in the lowest income quintile had the highest risk of LCCI, 1.3-6x the hazard of those in the highest income quintile. Long-term care (LTC) residents were particularly affected in the second wave with HRs>10 for asymptomatic residents. INTERPRETATION: Although the severity of LCCI in children was low, they have a high risk of asymptomatic positivity. The groups most vulnerable to LCCI, who should remain a focus of public health, were residents of Manitoba's North, LTC facilities, and low-income neighbourhoods. FUNDING: Canada Research Chair Program.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,000 | 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 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 ».