Approche de surveillance de la population afin de détecter les nouveaux agrégats de cas de COVID-19 et y répondre
Bibliographic record
Abstract
Contexte : Pour maintenir le contrôle de l’épidémie de maladie à coronavirus 2019 (COVID-19) lorsque les mesures de confinement seront levées, il sera essentiel de renforcer les mesures de santé publique alternatives. En ce qui concerne la surveillance, il sera nécessaire de détecter rapidement une grande proportion de tous nouveaux cas afin de pouvoir les isoler, et retrouver et mettre en quarantaine les personnes qui y ont été exposées. Nous présentons ici une approche mathématique qui peut être utilisée pour déterminer combien d’échantillons doivent être recueillis par unité de surface et par unité de temps pour détecter de nouveaux agrégats de cas de COVID-19 à un stade suffisamment précoce pour contrôler une éclosion. Méthodes : Nous présentons une méthode de détermination de la taille de l’échantillon qui utilise une approche de pondération relative. Compte tenu du fait que les résultats du test de diagnostic de la COVID-19 provenant de sous-populations ont contribué à détecter la maladie à un niveau de prévalence seuil pour contrôler l’éclosion, il s’agissait de 1) déterminer si le nombre prévu d’échantillons hebdomadaires fournis par la surveillance actuelle des infections virales respiratoires fondée sur les soins de santé peut fournir une taille d’échantillon déjà adéquate pour détecter de nouveaux agrégats de cas de COVID-19 et, dans le cas contraire, 2) de déterminer combien d’échantillons hebdomadaires supplémentaires étaient nécessaires à partir d’un échantillonnage volontaire. Résultats : Lors d’une démonstration de notre méthode à une fréquence hebdomadaire et à l’échelle des provinces et territoires canadiens, nous avons constaté que seuls les provinces et les territoires les plus peuplés disposaient d’un nombre suffisant de dépistages provenant des visites médicales en raison de maladies respiratoires pour détecter la COVID-19 à notre niveau de prévalence cible — qui doit être suffisamment élevé pour identifier et contrôler les nouveaux agrégats de cas. En outre, la détection de la COVID-19 est plus efficace (moins d’échantillons requis) lorsque la surveillance se concentre sur l’exigence de tests de dépistage de patients symptomatiques par les services des soins de santé. Dans les populations volontaires : plus les taux de contact sont élevés, plus le niveau de prévalence attendu est élevé, et moins il faut d’échantillons pour détecter la COVID-19 à un seuil prédéterminé. Conclusion : Cette étude présente une stratégie de surveillance ciblée, combinant des échantillons de surveillance passive et active, afin de déterminer le nombre d’échantillons à recueillir par unité de surface et par unité de temps pour détecter de nouveaux agrégats de cas de COVID-19. L’objectif de cette stratégie est de permettre une détection suffisamment précoce pour contrôler une éclosion.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".