Optimization of Screening Strategies for COVID-19: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: COVID-19 screening is an effective nonpharmaceutical intervention for identifying infected individuals and interrupting viral transmission. However, questions have been raised regarding its effectiveness in controlling the spread of novel variants and its high socioeconomic costs. Therefore, the optimization of COVID-19 screening strategies has attracted great attention. OBJECTIVE: This review aims to summarize the evidence and provide a reference basis for the optimization of screening strategies for the prevention and control of COVID-19. METHODS: We applied a methodological framework for scoping reviews and the PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews) checklist. We conducted a scoping review of the present publications on the optimization of COVID-19 screening strategies. We searched the PubMed, Web of Science, and Elsevier ScienceDirect databases for publications up to December 31, 2022. English publications related to screening and testing strategies for COVID-19 were included. A data-charting form, jointly developed by 2 reviewers, was used for data extraction according to the optimization directions of the screening strategies. RESULTS: A total of 2770 unique publications were retrieved from the database search, and 95 abstracts were retained for full-text review. There were 62 studies included in the final review. We summarized the results in 4 major aspects: the screening population (people at various risk conditions such as different regions and occupations; 12/62, 19%), the timing of screening (when the target population is tested before travel or during an outbreak; 12/62, 19%), the frequency of screening (appropriate frequencies for outbreak prevention, outbreak response, or community transmission control; 6/62, 10%), and the screening and detection procedure (the choice of individual or pooled detection and optimization of the pooling approach; 35/62, 56%). CONCLUSIONS: This review reveals gaps in the optimization of COVID-19 screening strategies and suggests that a number of factors such as prevalence, screening accuracy, effective allocation of resources, and feasibility of strategies should be carefully considered in the development of future screening strategies.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».