MétaCan
Menu
Retour à la cohorte
Enregistrement W4225870661 · doi:10.1186/s12879-022-07268-8

Impact of non-pharmaceutical interventions on SARS-CoV-2 outbreaks in English care homes: a modelling study

2022· article· en· W4225870661 sur OpenAlexfundno aff
Alicia Roselló, Rosanna C. Barnard, David R. Smith, Stephanie Evans, Fiona Grimm, Nicholas G. Davies, Sarah R Deeny, Gwenan M. Knight, W. John Edmunds

Notice bibliographique

RevueBMC Infectious Diseases · 2022
Typearticle
Langueen
DomaineMathematics
ThématiqueCOVID-19 epidemiological studies
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Neurological Disorders and StrokeMedical Research CouncilHorizon 2020National Institute for Health and Care ResearchCanadian Institutes of Health ResearchAgence Nationale de la RechercheEuropean and Developing Countries Clinical Trials PartnershipWellcome TrustWorld Health Organization
Mots-clésMedical microbiologyOutbreakPsychological interventionParasitologyCoronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)MedicineTropical medicine2019-20 coronavirus outbreakFamily medicineEnvironmental healthVirologyNursingInfectious disease (medical specialty)PathologyDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: COVID-19 outbreaks still occur in English care homes despite the interventions in place. METHODS: We developed a stochastic compartmental model to simulate the spread of SARS-CoV-2 within an English care home. We quantified the outbreak risk with baseline non-pharmaceutical interventions (NPIs) already in place, the role of community prevalence in driving outbreaks, and the relative contribution of all importation routes into a fully susceptible care home. We also considered the potential impact of additional control measures in care homes with and without immunity, namely: increasing staff and resident testing frequency, using lateral flow antigen testing (LFD) tests instead of polymerase chain reaction (PCR), enhancing infection prevention and control (IPC), increasing the proportion of residents isolated, shortening the delay to isolation, improving the effectiveness of isolation, restricting visitors and limiting staff to working in one care home. We additionally present a Shiny application for users to apply this model to their facility of interest, specifying care home, outbreak and intervention characteristics. RESULTS: The model suggests that importation of SARS-CoV-2 by staff, from the community, is the main driver of outbreaks, that importation by visitors or from hospitals is rare, and that the past testing strategy (monthly testing of residents and daily testing of staff by PCR) likely provides negligible benefit in preventing outbreaks. Daily staff testing by LFD was 39% (95% 18-55%) effective in preventing outbreaks at 30 days compared to no testing. CONCLUSIONS: Increasing the frequency of testing in staff and enhancing IPC are important to preventing importations to the care home. Further work is needed to understand the impact of vaccination in this population, which is likely to be very effective in preventing outbreaks.

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 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)0,000
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,906

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
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 Opus0,267
Tête enseignante GPT0,491
Écart entre enseignants0,225 · 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 tête enseignante, 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

Citations27
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Infectious DiseasesMême sujetCOVID-19 epidemiological studiesTravaux en français237 207