Use of digital technologies for public health surveillance during the COVID-19 pandemic: A scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Throughout the COVID-19 pandemic, a variety of digital technologies have been leveraged for public health surveillance worldwide. However, concerns remain around the rapid development and deployment of digital technologies, how these technologies have been used, and their efficacy in supporting public health goals. Following the five-stage scoping review framework, we conducted a scoping review of the peer-reviewed and grey literature to identify the types and nature of digital technologies used for surveillance during the COVID-19 pandemic and the success of these measures. We conducted a search of the peer-reviewed and grey literature published between 1 December 2019 and 31 December 2020 to provide a snapshot of questions, concerns, discussions, and findings emerging at this pivotal time. A total of 147 peer-reviewed and 79 grey literature publications reporting on digital technology use for surveillance across 90 countries and regions were retained for analysis. The most frequently used technologies included mobile phone devices and applications, location tracking technologies, drones, temperature scanning technologies, and wearable devices. The utility of digital technologies for public health surveillance was impacted by factors including uptake of digital technologies across targeted populations, technological capacity and errors, scope, validity and accuracy of data, guiding legal frameworks, and infrastructure to support technology use. Our findings raise important questions around the value of digital surveillance for public health and how to ensure successful use of technologies while mitigating potential harms not only in the context of the COVID-19 pandemic, but also during other infectious disease outbreaks, epidemics, and pandemics.
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.
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 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| 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 découle