Assessment of population infection with SARS-CoV-2 in Ontario, Canada, March to June 2020
Notice bibliographique
Résumé
BackgroundSerosurveys for SARS-CoV-2 aim to estimate the proportion of the population that has been infected.AimThis observational study assesses the seroprevalence of SARS-CoV-2 antibodies in Ontario, Canada during the first pandemic wave.MethodsUsing an orthogonal approach, we tested 8,902 residual specimens from the Public Health Ontario laboratory over three time periods during March-June 2020 and stratified results by age group, sex and region. We adjusted for antibody test sensitivity/specificity and compared with reported PCR-confirmed COVID-19 cases.ResultsAdjusted seroprevalence was 0.5% (95% confidence interval (CI): 0.1-1.5) from 27 March-30 April, 1.5% (95% CI: 0.7-2.2) from 26-31 May, and 1.1% (95% CI: 0.8-1.3) from 5-30 June 2020. Adjusted estimates were highest in individuals aged ≥ 60 years in March-April (1.3%; 95% CI: 0.2-4.6), in those aged 20-59 years in May (2.1%; 95% CI: 0.8-3.4) and in those aged ≥ 60 years in June (1.6%; 95% CI: 1.1-2.1). Regional seroprevalence varied, and was highest for Toronto in March-April (0.9%; 95% CI: 0.1-3.1), for Toronto in May (3.2%; 95% CI: 1.0-5.3) and for Toronto (1.5%; 95% CI: 0.9-2.1) and Central East in June (1.5%; 95% CI: 1.0-2.0). We estimate that COVID-19 cases detected by PCR in Ontario underestimated SARS-CoV-2 infections by a factor of 4.9.ConclusionsOur results indicate low population seroprevalence in Ontario, suggesting that public health measures were effective at limiting the spread of SARS-CoV-2 during the first pandemic wave.
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 | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».