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 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 | 0,000 | 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) | 0,002 | 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 ».