Risk Factors for COVID-19: A Quantitative Study Conducted at Padang City Center Hospital
Notice bibliographique
Résumé
Objective: This study sought to estimate the prevalence of COVID-19 infection among hospital staff according to various factors. Moreover, it sought to identify any factors that predicted a higher probability of infection in this population. Methods: This descriptive research was conducted among medical and non-medical personnel at Padang City Center Hospital, Indonesia (n=129). A chi-square test analysis was used to determine the degree of interrelationship between the studied variables, while an odds ratio (OR) test was performed to identify more potential categories. Results: Some 31.8% of respondents tested positive for COVID-19, although this finding was insignificant (p>0.05). In terms of the OR, the following probabilities were calculated: age (OR=1.0 [0.36–2.88]); medical history (OR=1.3 [0.23–2.0]); higher education (OR=1.9 [0.2–17.6]); wearing a good mask (OR=0.7 [0.07–7.02]); good hand washing (OR=1.8 [0.46–7.07]); good physical distancing (OR=1.8 [0.46–7.07]); good personal protective equipment (OR=0.7 [0.07–7.02]); normal depression, anxiety, and stress (OR<1.0); and comorbidity (OR=1,2 [0.46-3.06]). Conclusion: No significant relationship was found between the studied factors and COVID-19 infection. However, there were more potential trends, especially for highly educated medical teams, not wearing a mask, smoking, engaging in strenuous activity, poor psychology, and comorbidity. These findings should prompt policymakers tasked with developing resources and interventions to pay more attention to the needs of medical and non-medical staff during the COVID-19 pandemic, especially the availability of masks.
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 | 0,003 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| 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 ».