SARS-CoV-2 molecular diagnosis at airports to minimize travel-related COVID-19 spread
Notice bibliographique
Résumé
Following the identification of SARS-CoV-2, screening for air travel helped mitigate spread, yet lessons learned from a case study of air travel within Canada display enhanced techniques to better identify infected individuals, informing future responsive screening. While international travel bans limit infectious spread beyond a country's borders, such measures are hardly sustainable economically and infrequently address domestic travel. Here, we describe a case study from Canada, where a diagnostic laboratory at point of travel conducted real-time PCR-based detection of SARS-CoV-2 in support of existing interventions, including clinical and epidemiological questionnaires, and temperature checks. All mining workers departing from a populated urban area flying to one of two sites (Site A and B) in a remote northern Canadian region, which we deemed "at-risk", because healthcare services are limited and vulnerable to epidemics. Data collected between June and November 2020 on 15,873 clinical samples, indicate that molecular diagnosis allowed for identification of 13 infected individuals, who would have otherwise been missed by using solely nonpharmaceutical interventions. Overall, no outbreaks, COVID-19-related or other, were detected at the point of travel up to December 2021 since the implementation of the laboratory, suggesting this screening process is an effective means to protect at-risk communities. The success of this study suggests a process more practical than travel bans or an unfocused screening of air travelers everywhere.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».