Tracking emergency response actions during COVID-19 leads to development of an innovative public health evaluation tool
Notice bibliographique
Résumé
SETTING: Early in the pandemic, KFL&A Public Health needed a way to capture, organize, and display COVID-19-related events to be accountable for and evaluate our actions. INTERVENTION: We used accessible software (Microsoft Office 365 suite, Microsoft PowerBI) to develop a data collection and visualization system. The Canadian Institute for Health Information (CIHI) developed a timeline and categorization approach for provincial and national COVID-related interventions, which was used to develop a regional version for local events using similar categories. We collected and displayed qualitative data alongside epidemiological data that allowed users to display different timelines of actions and outcomes and evaluate our response. OUTCOMES: In developing the timeline, we took stock of the information and data we wanted to collect, sort, and display locally. Next, we collected information on response actions, case and contact tracing, and staffing changes in a database that we displayed on a timeline. We included CIHI's data set to provide insight into pandemic response across all jurisdictions. IMPLICATIONS: Our timeline tool has many advantages for public health authorities beyond responding to a rapidly evolving emergency. By collecting information on events as they occur, decisions and actions are documented that may otherwise be overlooked. This enables decision-makers to visualize the impact of public health actions on health outcomes over time. The tool is completely customizable and scalable depending on the project scope and we plan to apply this method to other public health programming. Finally, we include lessons learned from quickly developing these tools in a real-time pandemic setting, both locally at KFL&A Public Health and nationally at CIHI.
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 | 0,021 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».