Microbiologie des infections sanguines en Ontario, au Canada pendant la pandémie de COVID-19
Bibliographic record
Abstract
Contexte : Les infections sanguines causées par un large éventail de pathogènes bactériens et fongiques sont associées à des taux élevés de morbidité et de mortalité.Selon une estimation de 2017, le nombre d'incidences d'infections sanguines en Ontario est de 150 pour 100 000 habitants.L'épidémiologie des infections sanguines peut être influencée par de nombreux facteurs, notamment les restrictions sociales et de voyage et l'augmentation des taux d'hospitalisation en Ontario pendant la pandémie de maladie à coronavirus 2019 (COVID-19).Objectifs : Cette étude visait à évaluer les changements dans la microbiologie des infections sanguines en Ontario pendant la pandémie de COVID-19 par rapport à la période prépandémique.Méthodes : Les données rétrospectives sur les hémocultures (n = 189 106) de LifeLabs en Ontario (juillet 2018 à décembre 2021) ont été analysées.Les taux de positivité des hémocultures pour les pathogènes bactériens courants ont été comparés entre les périodes pré-COVID-19 (juillet 2018 à mars 2020) et COVID-19 (avril 2020 à décembre 2021) dans les milieux communautaires et hospitaliers, à l'aide du test du khi carré pour la signification.Résultats : Au cours de la période COVID-19, les taux de positivité des hémocultures dans la communauté sont restés les mêmes, alors que les taux en milieu hospitalier ont été environ triplés (p = 0,00E-00).Dans la communauté, les taux d'isolement de la plupart des espèces bactériennes sont restés inchangés, à l'exception d'une augmentation des Enterococcus et d'une diminution de la Salmonella.Les taux d'organismes antibiorésistants ont également diminué de manière significative dans la communauté.Dans les hôpitaux, toutes les espèces bactériennes, y compris les organismes antibiorésistants, ont connu une augmentation significative des taux d'isolement au cours de la période COVID-19.Conclusion : L'étude a révélé des changements dans la microbiologie des infections sanguines et suggère des changements dans l'épidémiologie pendant la pandémie de COVID-19 en Ontario, à la fois dans les hôpitaux et dans la communauté.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
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".