A policy roadmap for sustainable mass-testing
Notice bibliographique
Résumé
Population-wide mass testing with affordable self-tests can drastically reduce lives lost and minimize economic and societal costs during pandemics, especially if deployed before vaccines. During COVID-19, however, the development of self-test manufacturing and distribution capacity lagged behind vaccine rollout and was dismantled once surges subsided, returning us to a prepandemic state. As no new capacity has since been secured, future mass-testing would again face costly delays. To mitigate this risk, we propose a policy roadmap for an economically viable mass-testing system that can be sustained between crises and rapidly scaled during emergencies. Public investment in R&D to improve the sensitivity of affordable self-tests-not to achieve a single benchmark, but to advance point-of-need technologies across medical and nonmedical applications-is essential. Improved sensitivity would enable new uses in routine health screening, food safety, and environmental monitoring, generating steady demand and production capacity that can expand as needed. This demand would support a robust system anchored by four mutually reinforcing pillars: scalable manufacturing, real-time data infrastructure, predictive analytics, and sustainable financing. Prioritizing sensitivity can transform mass testing from a reactive measure into a durable public health foundation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,026 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,011 | 0,016 |
| Science ouverte | 0,004 | 0,012 |
| Intégrité de la recherche | 0,024 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,063 | 0,014 |
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 source (Gemma direct ou Codex distillé), 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 ».