MétaCan
Menu
Retour à la cohorte
Enregistrement W4206039573 · doi:10.23889/ijpds.v5i4.1682

Pivoting data and analytic capacity to support Ontario’s COVID-19 response

2022· article· en· W4206039573 sur OpenAlexaffabout
Hannah Chung, Mahmoud Azimaee, Susan E. Bronskill, Rosario G Cartagena, Astrid Guttmann, Minnie Ho, Lisa Ishiguro, Jeffrey C. Kwong, J. Michael Paterson, Sujitha Ratnasingham, Laura C. Rosella, Michael J. Schull, Marian J. Vermeulen, J. Charles Victor

Notice bibliographique

RevueInternational Journal for Population Data Science · 2022
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensHealth Sciences CentreVector InstituteTrillium Health CentreUniversity of TorontoUniversity Health NetworkPublic Health OntarioHospital for Sick ChildrenSunnybrook Health Science CentreMcMaster UniversityWomen's College Hospital
Organismes subventionnairesAgency for Healthcare Research and Quality
Mots-clésPublic healthPandemicPopulationHealth careAnalyticsPopulation healthPublic relationsBusinessPolitical scienceEnvironmental healthCoronavirus disease 2019 (COVID-19)MedicineNursingData scienceComputer scienceDiseaseInfectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Introduction: Health care systems have faced unprecedented challenges due to the COVID-19 pandemic. Access to timely population-based data has been vital to informing public health policy and practice. Methods: We describe how ICES, an independent not-for-profit research and analytic institute in Ontario, Canada, pivoted existing research infrastructure and engaged health system stakeholders to provide near real-time population-based data and analytics to support Ontario's COVID-19 pandemic response. Results: reports on SARS-CoV-2 testing and COVID-19 vaccine coverage. These reports: 1) helped identify congregate care/shared living settings that needed testing and prevention efforts early in the pandemic; 2) provided early indications of inequities in testing and infection in marginalized neighbourhoods, including areas with higher proportions of immigrants and visible minorities; 3) identified areas with high test positivity, which helped Public Health Units target and evaluate prevention efforts; and 4) contributed to altering the province's COVID-19 vaccine roll-out strategy to target high-risk neighbourhoods and helping Public Health Units and community organizations plan local vaccination programs. In addition, ICES is a key component of the Ontario Health Data Platform, which provides scientists with data access to conduct COVID-19 research and analyses. Discussion and Conclusion: ICES was well-positioned to provide rapid analyses for decision-makers to respond to the evolving public health emergency, and continues to contribute to Ontario's pandemic response by providing timely, relevant reports to health system stakeholders and facilitating data access for externally-funded COVID-19 research.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,072
score de la tête « metaresearch » (Gemma)0,151
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,082
Score d'incertitude au seuil0,598

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0720,151
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0070,009
Études des sciences et des technologies0,0090,006
Communication savante0,0110,005
Science ouverte0,0050,014
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0120,003

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.

Tête enseignante Opus0,646
Tête enseignante GPT0,555
Écart entre enseignants0,091 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetCOVID-19 epidemiological studiesTravaux en français237 207