MétaCan
Menu
Retour à la cohorte
Enregistrement W7096395200

© 2010 Canadian Medical Association or its licensors

2015· article· en· W7096395200 sur OpenAlexaboutno aff

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPandemicDiseaseCoronavirus disease 2019 (COVID-19)Duration (music)Disease burdenInfectious disease (medical specialty)Public healthSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Influenza pandemicMortality rate
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

The emergence and global spread of pandemic H1N1influenza led the World Health Organization todeclare a pandemic on June 11, 2009. As the pan-demic spreads, countries will need to make decisions about strategies to mitigate and control disease in the face of uncertainty. For novel infectious diseases, accurate estimates of epidemi-ologic parameters can help guide decision-making. A key para-meter for any new disease is the basic reproductive number (R0), defined as the average number of new cases created by a single primary case in a susceptible population. R0 affects the growth rate of an epidemic and the final number of infected people. It also informs the optimal choice of control strategies. Other key parameters that affect use of resources, disease burden and soci-etal costs during a pandemic are duration of illness, rate of hos-pital admission and case-fatality rate. Early in an epidemic, the case-fatality rate may be underestimated because of the tempo-ral lag between onset of infection and death; the delay between initial identification of a new case and death may lead to an apparent increase in deaths several weeks into an epidemic that is an artifact of the natural history of the disease. We used data from initial reports of laboratory- confirmed pandemic H1N1 influenza to estimate epidemiologic parame-ters for pandemic H1N1 influenza. The parameters included R0, incubation period and duration of illness. We also esti-mated risk of hospital admission and case-fatality rates, which can be used to estimate the burden of illness likely to be asso-ciated with this disease. Methods Data collection We collected individual-level data on laboratory-confirmed cases of pandemic H1N1 influenza in the province of Ontario, Canada, with a reported date of symptom onset between

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,121
Score d'incertitude au seuil0,240

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0030,002
Communication savante0,0060,002
Science ouverte0,0020,002
Intégrité de la recherche0,0070,003
Charge utile insuffisante (le modèle a refusé de juger)0,8790,799

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 Opus0,149
Tête enseignante GPT0,448
Écart entre enseignants0,299 · 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetDisaster Response and ManagementTravaux en français237 207