The Canadian COVID-19 Cohort Study for people working in healthcare [CCCS study data contributed to the CITF Databank]
Notice bibliographique
Résumé
Background: There is a lack of data on the rates of infection with SARS-CoV-2 and risk factors for infection in healthcare workers (HCW), who are at high risk of exposure. This knowledge is important to mitigate risk factors and protect their communities in- and out-side the workplace by improving protective guidelines. Aims of the CITF-funded study: This study aimed to identify risk factors for contracting SARS-CoV-2 in the workplace, household, and personal environments to assess the variance in risk due to exposure. The objectives were 1) to determine the incidence of symptomatic and asymptomatic infection; 2) study the use and effectiveness of vaccines in HCWs; 3) determine the pattern of immune responses over time via serology; and 4) to measure the mental health impact of working during a pandemic. Methods: This cohort study enrolled full and part-time HCWs between the ages of 18 and 75 in Alberta, Nova Scotia, Ontario, and Quebec recruited via internal institutional advertisements and social media. A serum or dried blood spot sample was collected at enrolment, 30 days after receipt of each COVID-19 vaccine and each positive PCR or RAT, and every six months thereafter to assess IgG antibody levels. Participants completed questionnaires at enrolment regarding risk factors, vaccinations, past infections. Questionnaires were every 10 weeks to collect exposure data and as needed to collect vaccination and illness information. Contributed dataset contents: The datasets include 2164 participants who completed baseline questionnaires between June 2020 and March 2022. 87% of participants gave one or more blood samples for SARS-CoV-2 serology over this period. Variables include data in the following areas of information: demographics (age, gender, race-ethnicity and indigeneity, province, household, education, occupation), general health (smokes; asthma, lung disease, or other chronic disease diagnosis; height and weight; flu vaccine), SARS-CoV-2 vaccination, and serology.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,003 |
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 ».