"Hear Me to Know What Matters": Insights to Action Addressing Inequities of COVID-19 Care Experienced by the Socially Vulnerable
Notice bibliographique
Résumé
It has been said that COVID-19 places us in the same storm, but in different boats. High River meat packing plant COVID19 outbreak in April 2020 is a study on how socio-ethno-economic factors can play a vital role in COVID-19 spread. 1,560 cases were linked to the plant with 936 employees (out of 1,700) testing positive. Many meatpacking plant workers are newly arrived immigrants and temporary foreign workers. An innovative care pathway (ECIP) emerged to rapidly close the existing gap between primary care and social support agencies to successfully mitigate the spread. Nearly 2,163 households were addressed. 98% of COVID+ employees never saw acute care. Co-designed recruitment strategies with patient advisors played a vital role in gaining trust among impacted communities to share their socio-clinical care experiences. Crucial insights from 41 patient stories were a significant motivator in harnessing the collective potential through collaboration between Government of Alberta, Primary Care Networks and Alberta Health Services in arranging on-site vaccinations at 5 meatpacking plants in the Calgary Zone. Over 3,000 workers were efficiently mass vaccinated in a span of 7 days. Patient experience was overwhelmingly positive. Importantly, ease of vaccine access is trending to be a factor that may positively impact vaccine hesitancy.
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 | 0,013 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,025 | 0,021 |
| Communication savante | 0,010 | 0,009 |
| Science ouverte | 0,002 | 0,019 |
| Intégrité de la recherche | 0,004 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».