Factors contributing to a coronavirus disease 2019 (COVID-19) outbreak on a mixed medical-surgical unit in a Canadian acute-care hospital
Notice bibliographique
Résumé
Abstract Objective: To identify preventable factors that contribute to the cross transmission of severe acute respiratory coronavirus virus 2 (SARS-CoV-2) to patients in healthcare facilities. Design: A case–control study was conducted among inpatients on a coronavirus disease 2019 (COVID-19) outbreak unit. Setting: This study was conducted in a medical-surgical unit of a tertiary-care hospital in Nova Scotia in May 2021. Patients: Patients hospitalized on the unit for at least 12 hours and healthcare workers (HCW) working on the unit within 2 weeks of outbreak declaration were included. Methods: Risk factors for SARS-CoV-2 infection were analyzed using simple and multiple logistic regression. Whole-genome sequencing (WGS) was performed to identify SARS-CoV-2 strain relatedness. Network analysis was used to describe patient accommodation. Results: SARS-CoV-2 infections were identified in 21 patients (29.6%) and 11 HCWs (6.6%). WGS data revealed 4 distinct clades of related sequences. Several factors likely contributed to the outbreak, including failure to identify SARS-CoV-2, a largely incomplete or unvaccinated population, and patient wandering behaviors. The most significant risk factor for SARS-CoV-2 infection was room sharing with an infectious patient, which was the only factor that remained statistically significant following multivariate analysis (odds ratio [OR], 9.2l; 95% confidence interval [CI], 2.04–41.67; P = .004). Conclusions: This outbreak likely resulted from admission of 2 patients with COVID-19, with subsequent transmissions to 17 patients and 11 staff. WGS and bioinformatics analyses were critical to identifying previously unrecognized nosocomial transmissions of SARS-CoV-2. This study supports strategies to reduce nosocomial transmissions of SARS-CoV-2, such as single-patient rooms, promotion of COVID-19 vaccination, and infection prevention and control measures including management of wandering behaviors.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».