MétaCan
Menu
← Back to cohort
Record W7161977489 · doi:10.82308/6463

COVID-19 in Canada: epidemiology, severity and control

2025· dissertation· en· W7161977489 on OpenAlexaboutno aff
Yiqing Xia

Bibliographic record

Venuenot available
Typedissertation
Languageen
FieldMathematics
TopicCOVID-19 epidemiological studies
Canadian institutionsnot available
Fundersnot available
KeywordsControl (management)Information transmissionWork (physics)Intervention (counseling)

Abstract

fetched live from OpenAlex

La pandémie de COVID-19 a souligné l'importance d'une surveillance rigoureuse et de données épidémiologiques pour éclairer les réponses locales et mondiales. Les réponses efficaces doivent être globales et tenir compte des inégalités en matière de santé, des schémas de morbidité et de mortalité, des interventions pharmaceutiques et non pharmaceutiques et de la dynamique de transmission du SRAS-CoV-2. Ma thèse vise à comprendre et à documenter les réponses du Canada aux épidémies locales de COVID-19 en étudiant ces différentes facettes des réponses à la pandémie afin d’améliorer la préparation future. Pour éclairer leur réponse, les autorités provinciales se sont fiées à des modèles mathématiques. Dans mon premier manuscrit, j'ai passé en revue ces efforts en effectuant un examen de la portée de 20 modèles. J'ai constaté que les efforts provinciaux de modélisation étaient adaptés aux contextes locaux et influencés par l'expertise locale disponible. Les ensembles de données de surveillance des cas, des hospitalisations et des décès faisaient partie des principales sources de données utilisées par les modèles. Malgré les différentes structures d'application des connaissances d'une province à l'autre, les défis communs comprenaient l'accès en temps opportun à des données de haute qualité et l'intégration des données dans les bases de données de surveillance. Mon examen a révélé que les modèles provinciaux ne tenaient pas compte des déterminants sociaux de la santé. Pour améliorer notre compréhension de la façon dont ils ont façonné la transmission, j'ai quantifié la concentration géographique du SRAS-CoV-2 par les déterminants sociaux de la santé dans 16 villes Canadiennes dans mon deuxième manuscrit. En tirant parti des données de surveillance sur les cas confirmés et des données de recensement sur les déterminants sociaux de la santé au niveau des aires de dissémination, j'ai observé une concentration géographique des cas, avec 50 % des cas cumulés signalés dans des zones contenant 21 à 35 % de leur population dans chaque ville. De plus, j'ai estimé les coefficients de covariance de Gini (co-Gini), qui indiquaient une concentration disproportionnée de cas dans les communautés vulnérables, en particulier celles comptant une proportion plus élevée de minorités visibles. Les modèles mathématiques utilisés au Canada se sont fortement concentrés sur la projection du fardeau des soins de santé liés au SRAS-CoV-2. Mon troisième manuscrit décrivait les tendances temporelles du risque de mortalité hospitalière due au COVID-19, les facteurs déterminants et la durée des séjours à l'hôpital au cours des trois premières vagues épidémiques. À l'aide de bases de données de surveillance de l'Ontario et du Québec, totalisant près de 50 000 hospitalisations, j'ai estimé que le risque de mortalité à l'hôpital atteignait un sommet à 31 % lors de la première vague et diminuait à 6 à 7 % lors de la troisième vague. J'ai aussi constaté que le nombre de patients affectait négativement la survie et que la durée des séjours à l'hôpital diminuait avec le temps. Avec l'intensification de la vaccination contre le SRAS-CoV-2, la morbidité et la mortalité ont considérablement diminué, ce qui met en évidence leur rôle fondamental dans l'atténuation des risques de pandémie. Des outils robustes pour évaluer les vaccines candidats et les stratégies de déploiement sont essentiels. Mon quatrième manuscrit explore les caractéristiques du vaccin nécessaires pour contenir la transmission d'une future maladie X, en se concentrant sur trois caractéristiques clés du développement de vaccins : i) la CE50 (la concentration d'anticorps requise pour atteindre 50 % de l'effet maximum du vaccin), ii) la demi-vie du plasma, et iii) l’impact du vaccin sur le taux d’infection des cellules cibles. En utilisant un modèle de transmission basé sur des agents de ce prochain virus respiratoire, j'ai découvert qu'en général, une CE50 ≤ 3 ou une demi-vie des cellules sécrétant du plasma ≥ 1 an est nécessaire pour contenir une épidémie avec un nombre reproducteur de base ≤ 3. Les vaccins qui réduisent le taux d'infection des cellules cibles ont un impact minime. Ma thèse synthétise les connaissances en épidémiologie de l’épidémie de COVID-19 et des réponses au Canada et propose des outils pour améliorer la préparation à une pandémie. Premièrement, cela souligne la nécessité d’améliorer la capacité canadienne en modélisation mathématique et d’assurer un accès plus rapide à des données de surveillance opportunes et de haute qualité. Deuxièmement, elle a examiné les hétérogénéités de la transmission des cas et les risques de mortalité à l’hôpital, qui ont éclairé la stratégie de vaccination et fourni des estimations d’indicateurs clés pour les modèles projetant les demandes de soins de santé. De plus, elle démontre la valeur des études descriptives et explicatives. Finalement, ma thèse propose un modèle flexible qui peut être utilisé pour évaluer l’impact des candidats vaccins sur les futures pandémies de la maladie X

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 imitation

Not 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.

metaresearch head score (Codex)0.003
metaresearch head score (Gemma)0.012
Version: metacan-v3-hybrid-931329e0061cValidation status: machine_predicted_unvalidated
Candidate categoriesnone
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.052
Threshold uncertainty score0.374

Distilled classifier scores by category (both heads)

CategoryCodexGemma
Metaresearch0.0030.012
Meta-epidemiology (narrow)0.0010.000
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0020.004
Science and technology studies0.0020.001
Scholarly communication0.0030.001
Open science0.0020.001
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0040.000

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.

Opus teacher head0.219
GPT teacher head0.447
Teacher spread0.228 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.

The models applied no category: nothing in the taxonomy fit this work.
Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2025
Admission routes1
Has abstractyes

Explore more

Same topicCOVID-19 epidemiological studies→French-language works237,207→