Factors Associated with Reported COVID-like Symptoms and Seroprevalence Data Matched with COVID-like Symptoms in Slums and Non-Slums of Two Major Cities in Bangladesh
Notice bibliographique
Résumé
OBJECTIVES: To examine the levels and socio-demographic differentials of: (a) reported COVID-like symptoms; and (b) seroprevalence data matched with COVID-like symptoms. METHODS: Anti-SARS-CoV-2 immunoassay. Survey data of 10,050 individuals for COVID-like symptoms and seroprevalence data of 3205 individuals matched with COVID-like symptoms were analyzed using bivariate and multivariate logistic analysis. RESULTS: The odds of COVID-like symptoms were significantly higher for Chattogram city, for non-slum, people having longer years of schooling, working class, income-affected households, while for households with higher income had lower odd. The odds of matched seroprevalence and COVID-like symptoms were higher for non-slum, people having longer years of schooling, and for working class. Out of the seropositive cases, 37.77% were symptomatic-seropositive, and 62.23% were asymptomatic, while out of seronegative cases, 68.96% had no COVID-like symptoms. CONCLUSIONS: Collecting community-based seroprevalence data is important to assess the extent of exposure and to initiate mitigation and awareness programs to reduce COVID-19 burden.
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 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 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 ».