Surveillance de la COVID-19 dans les eaux usées des refuges : une stratégie créative pour un environnement complexe
Bibliographic record
Abstract
Les personnes sans-abri présentent des taux disproportionnés de morbidité et de mortalité dues à la maladie à coronavirus 2019 (COVID-19) par rapport à ceux de la population générale, et les refuges pour sans-abri contribuent largement à ces résultats négatifs.En raison de leur structure, de leur population et de leur espace physique uniques, ces lieux compliquent la prévention de l'infection par la COVID-19 de nombreuses façons.Ces difficultés ne sont pas prises en compte de manière adéquate par les interventions de santé publique non pharmaceutiques conventionnelles.La surveillance de la COVID-19 dans les eaux usées est une stratégie viable pour la protection de la santé dans les refuges en raison de sa capacité à surmonter ces difficultés uniques.Sa nature passive fait en sorte qu'elle ne dépend pas des comportements individuels en matière de santé, et elle peut fournir des informations épidémiologiques utiles dès le début d'une éclosion.Dans ce commentaire, les auteurs étudient une application récente de la surveillance de la COVID-19 dans les eaux usées d'un refuge pour hommes à Toronto.D'autres applications de la surveillance des eaux usées des refuges pour d'autres maladies infectieuses préoccupantes y sont proposées, et on y discute de la nécessité de créer des cadres éthiques régissant l'utilisation de cette technologie.
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 | 0.016 | 0.021 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.006 | 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".