Digital Survey–Based Tracing of COVID-19 Over the Early Pandemic: Comprehensive Geospatial and Symptomatic Analysis in Lebanon
Notice bibliographique
Résumé
Background: In response to the early spread of COVID-19 in Lebanon, the University of Balamand developed the HAYATI app, a community-focused, geographic information system (GIS)-based digital health platform aimed at enhancing public health surveillance. At the time, while the Lebanese Ministry of Public Health utilized centralized dashboards to report confirmed cases and monitor national trends, no interactive tool existed to engage the public directly in real-time risk assessment and surveillance, especially in underserved regions. Objective: The aim of this study was to design, implement, and evaluate the effectiveness of the HAYATI app as a GIS-integrated digital surveillance tool to identify high-risk individuals and support targeted testing and contact tracing during the early stages of the COVID-19 pandemic in Lebanon. Methods: The HAYATI app was launched in March 2020 using ArcGIS Survey123 and real-time dashboards, incorporating a risk scoring algorithm based on 21 clinical and behavioral criteria. Between April 2020 and March 2021, self-reported data were collected from 10,235 individuals across Lebanon. Participants identified as high or major risk through the automated scoring algorithm were referred for free polymerase chain reaction testing at the University of Balamand. Test results were securely communicated to local municipalities and the Ministry of Public Health. Data were analyzed for associations between symptoms and positivity rates, as well as geographic and demographic trends using spatial analysis tools. Results: Of the 10,235 individuals who submitted data, 1782 were classified as high or major risk and referred for polymerase chain reaction testing. Among them, 394 (22.1%) tested positive for SARS-CoV-2. Loss of smell and taste was strongly associated with positive test results (P<.001). The highest positivity rates were observed among individuals aged 18-29 years and in the North Governorate. GIS mapping enabled real-time visualization of case clusters, which informed localized containment responses. Conclusions: The HAYATI app effectively filled a critical surveillance gap during the early pandemic phase in Lebanon. By integrating GIS technology, automated risk stratification, and community-level engagement, it provided a scalable model for public health surveillance in resource-limited settings. This approach has potential for broader applications in managing future outbreaks and endemic diseases through decentralized, real-time digital health 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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
| grok | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
| opus | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 validéeÉtiqueté directement par 3 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».