MétaCan
Menu
Retour à la cohorte
Enregistrement W4405056104 · doi:10.1371/journal.pone.0314746

Coordination strategies to improve COVID-19 PCR laboratory testing scale up in Nepal: An analysis

2024· article· en· W4405056104 sur OpenAlexaff
Hannah Bakker, Govindakarnavar Arunkumar, Parvathy Krishnan Krishnakumari, Joaquim Gromicho, Fannie L Côté, Nadia Lahrichi, Priya Jha, Saugat Shrestha, Rashmi Mulmi, Nirajan Bhusal, Deepesh Stapith, Runa Jha, Lilee Shrestha, Dhamari Naidoo, Reuben Samuel, Victor del Rio Vilas

Notice bibliographique

RevuePLoS ONE · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 detection and testing
Établissements canadiensPolytechnique Montréal
Organismes subventionnairesUNICEFWorld Health Organization
Mots-clésPandemicCoronavirus disease 2019 (COVID-19)Sample (material)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Test strategyDiagnostic test2019-20 coronavirus outbreakScale (ratio)BusinessRisk analysis (engineering)Computer scienceOutbreakMedicineVirologyVeterinary medicineGeographyPathology

Résumé

récupéré en direct d'OpenAlex

During the COVID-19 pandemic, Nepal rapidly expanded its PCR testing capacity, essential for effective outbreak response. However, many laboratories faced overwhelming test volumes, resulting in delays that may have hindered containment efforts. This study aims to determine whether these challenges stemmed from capacity limitations and/or imbalanced sample distribution due to inadequate coordination. In this retro-perspective simulation of SARS-CoV-2 testing in Nepal during 2021, we evaluate the impact of coordinated sample transfers on reducing laboratory stress and wait times during demand peaks. Our findings reveal that centralized coordination and strategic partnerships for sample transfers significantly enhance diagnostic network performance, even under high demand. These insights offer valuable guidance for policymakers on implementing effective coordination strategies to strengthen diagnostic networks for 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)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,353
Score d'incertitude au seuil0,499

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,003
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 Opus0,106
Tête enseignante GPT0,334
Écart entre enseignants0,228 · 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'étudeExpérimental (laboratoire)
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

Citations2
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetSARS-CoV-2 detection and testingTravaux en français237 207