MétaCan
Menu
Retour à la cohorte
Enregistrement W4224223202 · doi:10.23889/ijpds.v5i4.1710

Estimating surge in COVID-19 cases, hospital resources and PPE demand with the interactive and locally-informed COVID-19 Health System Capacity Planning Tool

2022· article· en· W4224223202 sur OpenAlex
Olga Krylova, Omar Kazmi, Hui Wang, Kelvin O. Lim, Chloë Logar‐Henderson, Katerina Gapanenko

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
fundUn bailleur canadien est enregistré sur le travail.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueInternational Journal for Population Data Science · 2022
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensCanadian Institute for Health Information
Organismes subventionnairesPublic Health AgencyPublic Health Agency of Canada
Mots-clésCoronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakSurge CapacityPersonal protective equipmentPandemicMedicineVirologyMedical emergencyInfectious disease (medical specialty)DiseasePathology

Résumé

récupéré en direct d'OpenAlex

Introduction: The COVID-19 pandemic revealed an urgent need for analytic tools to help health system leaders plan for surges in hospital capacity. Our objective was to develop a practical and locally informed Tool to help explore the effects of public health interventions on SARS-CoV-2 transmission and create scenarios to project potential surges in hospital admissions and resource demand. Methods: Our Excel-based Tool uses a modified S(usceptible)-E(xposed)-I(nfected)-R(emoved) model with vaccination to simulate the potential spread of COVID-19 cases in the community and subsequent demand for hospitalizations, intensive care unit beds, ventilators, health care workers, and personal protective equipment. With over 40+ customizable parameters, planners can adapt the Tool to their jurisdiction and changes in the pandemic. Results: We showcase the Tool using data for Ontario, Canada. Using healthcare utilization data to fit hospitalizations and ICU cases, we illustrate how public health interventions influenced the COVID-19 reproduction number and case counts. We also demonstrate the Tool's ability to project a potential epidemic trajectory and subsequent demand for hospital resources. Using local data, we built three planning scenarios for Ontario for a 3-month period. Our worst-case scenario accurately projected the surge in critical care demand that overwhelmed hospital capacity in Ontario during Spring 2021. Conclusions: Our Tool can help different levels of health authorities plan their response to the pandemic. The main differentiators between this Tool and other existing tools include its ease of use, ability to build scenarios, and that it provides immediate outcomes that are ready to share with executive decision makers. The Tool is used by provincial health ministries, public health departments, and hospitals to make operational decisions and communicate possible scenarios to the public. The Tool provides educational value for the healthcare community and can be adapted for existing and emerging diseases.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,029
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,674
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,029
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,265
Tête enseignante GPT0,483
Écart entre enseignants0,218 · 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