P-88 Risk of SARS-CoV-2 infection in a large cohort of Ontario workers
Notice bibliographique
Résumé
Introduction Work is a key determinant of COVID-19 outcomes, however occupational surveillance is a critical information gap in many countries, including Canada. Understanding the risk of SARS-CoV-2 by occupation can identify high risk groups that can be targeted for prevention strategies. Materials and Methods The cohort includes 1,205,847 former workers compensation (non-COVID-19) claimants (aged 15–65) linked to health databases in Ontario, Canada. Incident cases were defined as either having a confirmed positive polymerase chain reaction (PCR) test in the Ontario Laboratory Information System (OLIS), or an International Classification of Diseases (ICD-10-CA) diagnostic code of U07.1 in hospitalization or emergency department records (February 2020-December 2021). Workers were followed until diagnosis, death, emigration, age 65 or end of follow-up. Sex- and age-adjusted Cox proportional hazards models were used to estimate hazards ratios (HR) and 95% confidence intervals (CI) by occupation, compared to all other cohort members. Analyses were also conducted to examine occupational trends in testing and diagnosis during waves of infection. Results Overall, 80,740 COVID-19 cases were diagnosed among workers during follow-up, of those, 80% were diagnosed with a positive PCR test. Associations were identified between COVID-19 diagnosis and employment in nursing (HR=1.44, CI95%=1.40–1.49), air transport operating (HR=1.61, CI95%=1.47–1.77), textile/fur/leather products fabricating, assembling, and repairing (HR=1.38, CI95%=1.25–1.54), apparel and furnishing services (HR=1.38, CI95%=1.19–1.60), and janitor and cleaning services (HR=1.11, CI95%=1.06–1.16). Restricted analyses where health care workers were omitted from the comparison group strengthened some associations for other high-risk workers. Test positivity ranged between 4–16% across major occupation groups. Risks varied over time and with changes in protective measures in workplaces and in broader communities. Conclusions Elevated risk of SARS-CoV-2 infection in health care, manufacturing, transportation, and service workers were identified, underscoring the importance of including occupational data in COVID-19 surveillance. Occupational trends in severe outcomes and vaccination are also being explored.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».