Estimating Hidden Population Size of COVID-19 using Respondent-DrivenSampling Method - A Systematic 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
INTRODUCTION: Currently, the ongoing COVID-19 pandemic is posing a challenge to health systems worldwide. Unfortunately, the true number of infections is underestimated due to the existence of a vast number of asymptomatic infected individual's proportion. Detecting the actual number of COVID-19-affected patients is critical in order to treat and prevent it. Sampling of such populations, so-called hidden or hard-to-reach populations, is not possible using conventional sampling methods. The objective of this research is to estimate the hidden population size of COVID-19 by using respondent-driven sampling (RDS) methods. METHODS: This study is a systematic review. We have searched online databases of PubMed, Web of Science, Scopus, Embase, and Cochrane to identify English articles published from the beginning of December 2019 to December 2022 using purpose-related keywords. The complete texts of the final chosen articles were thoroughly reviewed, and the significant findings are condensed and presented in the table. RESULTS: Of the 7 included articles, all were conducted to estimate the actual extent of COVID-19 prevalence in their region and provide a mathematical model to estimate the asymptomatic and undetected cases of COVID-19 amid the pandemic. Two studies stated that the prevalence of COVID-19 in their sample population was 2.6% and 2.4% in Sierra Leone and Austria, respectively. In addition, four studies stated that the actual numbers of infected cases in their sample population were significantly higher, ranging from two to 50 times higher than the recorded reports. CONCLUSIONS: In general, our study illustrates the efficacy of RDS in the estimation of undetected asymptomatic cases with high cost-effectiveness due to its relatively trouble-free and low-cost methods of sampling the population. This method would be valuable in probable future epidemics.
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 | 0,004 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 | 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