Delivering COVID self‐tests through GetaKit.ca: Creating testing access during a pandemic
Notice bibliographique
Résumé
OBJECTIVES: To determine the real-world outcomes associated with using the GetaKit.ca website to distribute COVID self-tests to persons with risk factors, with a focus on facilitating testing for persons who are Black, Indigenous, or of Colour (BIPOC). METHODS: GetaKit was an open cohort observational study to distribute free self-tests, starting with HIV self-testings and then adding the Lucira Check-It® COVID self-test. Participants would register on our website and complete a risk assessment, which would calculate their need for each type of testing. RESULTS: Focusing on the COVID self-tests, from September to December 2021 (with targeted outreach in winter 2022), we distributed 6474 COVID self-tests to 3653 persons through 4161 unique orders, of which 47% came from BIPOC participants. Compared to white participants, BIPOC participants were more likely to have been a contact of COVID but less likely to be vaccinated. As well, 69% of results were reported back via the GetaKit.ca website, with 5.3% of these being positive. The positivity rate for our 3653 participants was 9.6%. CONCLUSIONS: Delivering COVID self-tests via our website provided tests to BIPOC communities and yielded positivity rates that matched local COVID testing centres. This highlights the utility of such systems for delivering testing during future pandemics.
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 | 0,007 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».