MétaCan
Menu
Retour à la cohorte
Enregistrement W4399866144 · doi:10.2196/47416

Geospatial Point-of-Care Testing Strategies for COVID-19 Resilience in Resource-Poor Settings: Rural Cambodia Field Study

2024· article· en· W4399866144 sur OpenAlexvenueno aff
Gerald J. Kost, Muyngim Eng, Amanullah Zadran

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 detection and testing
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPoint-of-care testingGeospatial analysisResilience (materials science)Coronavirus disease 2019 (COVID-19)Environmental healthField (mathematics)Environmental resource managementMedicineEnvironmental planningGeographyEnvironmental scienceCartographyImmunologyDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Point-of-care testing (POCT) generates intrinsically fast, inherently spatial, and immediately actionable results. Lessons learned in rural Cambodia and California create a framework for planning and mobilizing POCT with telehealth interventions. Timely diagnosis can help communities assess the spread of highly infectious diseases, mitigate outbreaks, and manage risks. OBJECTIVE: The aims of this study were to identify the need for POCT in Cambodian border provinces during peak COVID-19 outbreaks and to quantify geospatial gaps in access to diagnostics during community lockdowns. METHODS: Data sources comprised focus groups, interactive learners, webinar participants, online contacts, academic experts, public health experts, and officials who determined diagnostic needs and priorities in rural Cambodia during peak COVID-19 outbreaks. We analyzed geographic distances and transit times to testing in border provinces and assessed a high-risk province, Banteay Meanchey, where people crossed borders daily leading to disease spread. We strategized access to rapid antigen testing and molecular diagnostics in the aforementioned province and applied mobile-testing experience among the impacted population. RESULTS: COVID-19 outbreaks were difficult to manage in rural and isolated areas where diagnostics were insufficient to meet needs. The median transit time from border provinces (n=17) to testing sites was 73 (range 1-494) minutes, and in the high-risk Banteay Meanchey Province (n=9 districts), this transit time was 90 (range 10-150) minutes. Within border provinces, maximum versus minimum distances and access times for testing differed significantly (P<.001). Pareto plots revealed geospatial gaps in access to testing for people who are not centrally located. At the time of epidemic peaks in Southeast Asia, mathematical analyses showed that only one available rapid antigen test met the World Health Organization requirement of sensitivity >80%. We observed that in rural Solano and Yolo counties, California, vending machines and public libraries dispensing free COVID-19 test kits 24-7 improved public access to diagnostics. Mobile-testing vans equipped with COVID-19 antigen, reverse transcription polymerase chain reaction, and multiplex influenza A/B testing proved useful for differential diagnosis, public awareness, travel certifications, and telehealth treatment. CONCLUSIONS: Rural diagnostic portals implemented in California demonstrated a feasible public health strategy for Cambodia. Automated dispensers and mobile POCT can respond to COVID-19 case surges and enhance preparedness. Point-of-need planning can enhance resilience and assure spatial justice. Public health assets should include higher-quality, lower-cost, readily accessible, and user-friendly POCT, such as self-testing for diagnosis, home molecular tests, distributed border detection for surveillance, and mobile diagnostics vans for quick telehealth treatment. High-risk settings will benefit from the synthesis of geospatially optimized POCT, automated 24-7 test access, and timely diagnosis of asymptomatic and symptomatic patients at points of need now, during new outbreaks, and in future 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.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,609
Score d'incertitude au seuil0,678

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,049
Tête enseignante GPT0,370
Écart entre enseignants0,321 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetSARS-CoV-2 detection and testingTravaux en français237 207