Occupation and SARS-CoV-2 seroprevalence studies: a systematic review
Notice bibliographique
Résumé
OBJECTIVE: To describe and synthesise studies of SARS-CoV-2 seroprevalence by occupation prior to the widespread vaccine roll-out. METHODS: We identified studies of occupational seroprevalence from a living systematic review (PROSPERO CRD42020183634). Electronic databases, grey literature and news media were searched for studies published during January-December 2020. Seroprevalence estimates and a free-text description of the occupation were extracted and classified according to the Standard Occupational Classification (SOC) 2010 system using a machine-learning algorithm. Due to heterogeneity, results were synthesised narratively. RESULTS: We identified 196 studies including 591 940 participants from 38 countries. Most studies (n=162; 83%) were conducted locally versus regionally or nationally. Sample sizes were generally small (median=220 participants per occupation) and 135 studies (69%) were at a high risk of bias. One or more estimates were available for 21/23 major SOC occupation groups, but over half of the estimates identified (n=359/600) were for healthcare-related occupations. 'Personal Care and Service Occupations' (median 22% (IQR 9-28%); n=14) had the highest median seroprevalence. CONCLUSIONS: Many seroprevalence studies covering a broad range of occupations were published in the first year of the pandemic. Results suggest considerable differences in seroprevalence between occupations, although few large, high-quality studies were done. Well-designed studies are required to improve our understanding of the occupational risk of SARS-CoV-2 and should be considered as an element of pandemic preparedness for future respiratory pathogens.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».