Sociodemographic representativeness of severe acute respiratory syndrome coronavirus-2 serosurveillance studies with diverse recruitment strategies
Bibliographic record
Abstract
Contexte. Le dépistage sérologique était un élément clé de la surveillance du coronavirus du syndrome respiratoire aigu sévère 2 (SRAS-CoV-2). La représentativité des études de la sérosurveillance était probablement influencée par les stratégies de recrutement inhabituelles, qui étaient utilisées quand des règles ont nécessité la distanciation physique, quand il y avait des limites de ressources, et quand des données opportunes étaient nécessaires. Certains sous-groupes démographiques, comme les communautés racialisées, étaient sous-représentées dans les études sérologiques du SRAS-CoV-2 par rapport à la population générale. Par conséquent, c’est important de caractériser la représentativité pour identifier les déficits selon la couverture d'échantillonnage et pour évaluer l’impact des interventions sur les inégalités en matière de santé.Objectif. Évaluer la représentativité sociodémographique des études de la sérosurveillance canadienne du SRAS-CoV-2 qui ont utilisé des diverses stratégies de recrutement.Méthodes. Pour cette analyse secondaire, des données démographiques qui étaient recueillis entre avril 2020 et novembre 2023 à partir des études sérologiques du SRAS-CoV-2 étaient utilisées. Les études étaient : trois cohortes longitudinales préexistantes, deux échantillons de convenance et une cohorte transversale de novo. Les chiffres d'échantillons selon l'âge, le sexe, l'urbanité, la race ou l'origine ethnique et les quintiles de défavorisation du quartier étaient calculés et comparés aux chiffres de la population du recensement canadien de 2016. Pour chaque strate démographique, un ratio de représentation était calculé comme la proportion de spécimens d'étude divisée par la proportion de la population qui appartenait aux strates. Les sous-groupes étaient classés comme sous-représentés en manière notamment si plus de 95 pour cent des répétitions de méthode bootstrap produisaient des rapports de représentation < 3/4.Résultats. Dans les cohortes longitudinales préexistantes, les sous-groupes minoritaires racialisés étaient les plus sous-représentés dans les strates de sexe et de race ou de l’origine ethnique (ratio de représentation 0.1-0.3). Aussi, des donneurs de sang avaient moins de représentation féminine (0.4), mais une représentation masculine adéquate (0.9). Des femmes qui vivaient en milieu rural étaient sous-représentées dans toutes les conceptions d'études probabilistes (ratio de représentation 0.3-0.7). La représentativité a généralement amélioré quand l’âge a augmenté et quand le quintile de privation matérielle a diminué. Les hommes qui avaient 18-26 ans étaient sous-représentés dans la plupart des strates de sexe et de l’urbanité dans chaque étude.Discussion. Cette étude a identifié plusieurs sous-groupes démographiques sous-représentés dans les études du SRAS-CoV-2. La représentativité de certaines dimensions sociodémographiques différait selon la stratégie de recrutement. Notamment, les dimensions liées à l'âge des participants et à la résidence rurale. C’est essentiel d'assurer la représentativité pour l’optimisation de la validité externe et pour identifier les interventions qui considèrent des iniquités en santé. Ces résultats soulignent l’importance d’effectuer la recherche qui examinera les obstacles qui empêchent la participation à la recherche en santé.Conclusion. Les stratégies de recrutement non traditionnelles étaient plus représentatives pour plusieurs strates sociodémographiques que les stratégies traditionnelles basées sur les probabilités. C’est important de considérer comment la conception de l'étude et la stratégie d'échantillonnage influencent la représentativité sociodémographique dans les études futures de sérosurveillance
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 | 0.039 | 0.099 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".