Abstract During global pandemics, such as coronavirus disease 2019 (COVID-19), crisis communication is indispensable in dispelling fears, uncertainty, and unifying individuals worldwide in a collective fight against health threats. Inadequate crisis communication can bring dire personal and economic consequences. Mounting research shows that seemingly endless newsfeeds related to COVID-19 infection and death rates could considerably increase the risk of mental health problems. Unfortunately, media reports that include infodemics regarding the influence of COVID-19 on mental health may be a source of the adverse psychological effects on individuals. Owing partially to insufficient crisis communication practices, media and news organizations across the globe have played minimal roles in battling COVID-19 infodemics. Common refrains include raging QAnon conspiracies, a false and misleading “Chinese virus” narrative, and the use of disinfectants to “cure” COVID-19. With the potential to deteriorate mental health, infodemics fueled by a kaleidoscopic range of misinformation can be dangerous. Unfortunately, there is a shortage of research on how to improve crisis communication across media and news organization channels. This paper identifies ways that legacy media reports on COVID-19 and how social media-based infodemics can result in mental health concerns. This paper discusses possible crisis communication solutions that media and news organizations can adopt to mitigate the negative influences of COVID-19 related news on mental health. Emphasizing the need for global media entities to forge a fact-based, person-centered, and collaborative response to COVID-19 reporting, this paper encourages media resources to focus on the core issue of how to slow or stop COVID-19 transmission effectively.

This study focuses on how educating people through social media platforms can help reduce the mental health consequences of the COVID-19 to manage the global health crisis. The pandemic has posed a global mental health crisis, and correct information is indispensable to dispel uncertainty, fear, and mental stress to unify global communities in collective combat against COVID-19 disease worldwide. Mounting studies specified that manifestly endless coronavirus-related newsfeeds and death numbers considerably increased the risk of global mental health issues. Social media provided positive and negative data, and the COVID-19 has resulted in a worldwide infodemic. It has eroded public trust and impeded virus restraint, which outlived the coronavirus pandemic itself.

No travellers from China?The imperative for developing empathetic public health policies and communication strategies post-COVID Coronavirus disease 2019 (COVID-19) has been a time of great changes and challenges.Among the most transferable lessons of COVID-19 is how public policies that are meant to protect global health and solidarity, especially when ill-considered or poorlydeveloped, could undermine their raison d'être.Arguably, some of the most revealing examples are centring around a key epicentre of the pandemic, China, especially during times when its public health infrastructure is under considerable duress-conditions with which many health systems have struggled and may have to confront during grave crises like pandemics.In December 2022, for instance, the Chinese government abruptly reversed its pandemic management strategy, effectively abandoning most, if not all, key 'zero-COVID' measures that have helped the country maintain a largely low COVID-19 infection or death counts for the past three years. 1The timing of the policy change-which includes the easing or lifting of measures that range from mass testing, centralized quarantine, to travel restrictions-means that many people in China had to hold (belated) celebrations for holidays such as Christmas and the Chinese Lunar New Year, and the Lantern Festival with their faraway loved ones.However, though the policy change had the potential to serve as an unadulterated source of joy for many, due to its abruptness, particularly in light of the government's lack of preparation even in critical areas such as timely pandemic communication and basic medical resources, it had triggered one of the largest outbreaks since COVID-19's emergence instead. 2 Amid the unprecedented outbreaks in China in December 2022, right after the country lifted its zero-COVID policy, for instance, approximately 1 million new infections were added in Zhejiang province alone-one of the 23 provinces in China that has a population of 65 million (in comparison, Henan Province has around 99 million people). 2 Possibly due to the alarming scale, scope, and severity of the country's COVID-19

Rapid population ageing, compounded by declines in the younger workforce that could offer timely caregiving assistance, is undermining society's ability to effectively and sufficiently protect people's health and quality of life as they grow old. This paper explores the promise of senior employment technology, a group of technological innovations that have the potential to alleviate or even eliminate the barriers faced by older individuals in the workforce. By doing so, these technologies empower older individuals to proactively safeguard their current and future living standards. This discussion delves into the potential of senior employment technologies in facilitating the continued participation of older individuals in the workforce and highlights the existing barriers preventing the widespread adoption of these technologies.

The American Cancer Society recommends regular screenings for breast and colorectal cancers for adults at average risk. Given clinical practice guideline updates and health care utilization changes following the COVID-19 pandemic, we characterized the distribution of cancer stage at diagnosis over the last decade in the United States (US) community oncology setting.

e14556 Background: Circulating tumor DNA (ctDNA) technology allows for monitoring the genomic profile of cancer over time non-invasively, and in a way that is more representative of existing tumor clones than tissue sampling. The clinical and research applications of this new technology are numerous, and they are potentiated through serial ctDNA testing of individual patients. It is important to identify and characterize real-world data sets that will permit the development of both ctDNA’s clinical and research applications. Methods: This is an observational study of breast, non-small cell lung cancer (NSCLC), colorectal and prostate cancer patients who had ctDNA testing in The US Oncology Network from August 2014 to August 2023. All unique ctDNA reports per patient were collected, along with the report dates and patient characteristics. Rate of change in number of unique reports per month through time was evaluated as well as frequencies of serial testing and median time lapse between diagnosis and date of first ctDNA test by cancer type. Results: Number of new unique ctDNA testing reports per month increased for The US Oncology Network from 2014 through 2018 at a rate of 0.86 (95% CI [0.70, 1.02]). From 2018 to 2023 this rate increased to 5.87 (95% CI [5.16, 6.59]) new reports per month. The total number of unique patients with one of the 4 cancer indications and at least one ctDNA test during the study time period was 10,852. The cancer indication with greatest number of patients with ctDNA testing is NSCLC with 5,503 patients, followed by breast with 2,408, and colorectal and prostate with 1,544 and 1,397 respectively. Black patients were equally represented across all 4 cancers at rates of 13.6% for colorectal, 12.7% for breast, and 12% for NSCLC and prostate. Patients over 65 made up 66% for prostate and NSCLC but only 38% and 32% for colorectal and breast respectively. Most patients presented with a single ctDNA test (n = 9482), but an important proportion presented with 2 serial ctDNA tests or more (n = 1370, 12.6%).The median time between either cancer diagnosis date or date of first visit in The Network and the date of the first ctDNA test report was 39 days for NSCLC, 1,690 days for breast, 377 days for colorectal and 772 days for prostate, and presented with a skewed, long right tailed distribution. Median times were similar for Black and White patients across all cancers. Conclusions: The number of patients with ctDNA testing data available is increasing through time without evidence of plateauing. Although the total number of patients represented is still a very small fraction of the total patient population, the rate of increase in number of new reports through time is equivalent to an exponential increase in the total number of reports. 12.6% of patients presented with two tests or more, potentially allowing for pre and post treatment assessments. There’s an opportunity to better align cancer research and cancer treatment paradigms with this new technology.

Abstract Psychiatric syndromes are common following recovery from Coronavirus Disease 2019 (COVID-19) infection. This study investigated the prevalence and the network structure of depression, insomnia, and suicidality among mental health professionals (MHPs) who recovered from COVID-19. Depression and insomnia were assessed with the Patient Health Questionnaire (PHQ-9) and Insomnia Severity Index questionnaire (ISI7) respectively. Suicidality items comprising suicidal ideation, suicidal plan and suicidal attempt were evaluated with binary response (no/yes) items. Network analyses with Ising model were conducted to identify the central symptoms of the network and their links to suicidality. A total of 9858 COVID-19 survivors were enrolled in a survey of MHPs. The prevalence of depression and insomnia were 47.10% (95% confidence interval (CI) = 46.09–48.06%) and 36.2% (95%CI = 35.35–37.21%), respectively, while the overall prevalence of suicidality was 7.8% (95%CI = 7.31–8.37%). The key central nodes included “Distress caused by the sleep difficulties” (ISI7) (EI = 1.34), “Interference with daytime functioning” (ISI5) (EI = 1.08), and “Sleep dissatisfaction” (ISI4) (EI = 0.74). “Fatigue” (PHQ4) (Bridge EI = 1.98), “Distress caused by sleep difficulties” (ISI7) (Bridge EI = 1.71), and “Motor Disturbances” (PHQ8) (Bridge EI = 1.67) were important bridge symptoms. The flow network indicated that the edge between the nodes of “Suicidality” (SU) and “Guilt” (PHQ6) showed the strongest connection (Edge Weight= 1.17, followed by “Suicidality” (SU) - “Sad mood” (PHQ2) (Edge Weight = 0.68)). The network analysis results suggest that insomnia symptoms play a critical role in the activation of the insomnia-depression-suicidality network model of COVID-19 survivors, while suicidality is more susceptible to the influence of depressive symptoms. These findings may have implications for developing prevention and intervention strategies for mental health conditions following recovery from COVID-19.

Predicting operational performance enables organizations to develop operational effectiveness goals considering different combinations of resources. Measuring performance is consolidated with advances in relative efficiency analysis techniques, including data envelopment analysis (DEA) and stochastic frontier analysis (SFA), albeit these methods lack predictive capability. This paper proposes an approach for performance prediction by integrating relative efficiency measurement models with machine learning algorithms. Data analyses were conducted using data provided by the energy assessment project offered to small and medium-sized manufacturing companies in the United States ( n 7,548) using sales as the output, with the inputs being the number of employees, hours of operation, electricity, natural gas, cost of electricity, and cost of natural gas. Performance was estimated differently, employing parametric (SFA) and non-parametric (DEA) methods. The prediction benchmarking process occurred by adopting machine learning algorithms: regression (LM), support vector machine (SVM), K-nearest neighbor (KNN), linear discriminant analysis (LDA), random forest (RF), and decision tree (DT). The findings showed that it is possible to identify the best prediction algorithm associated with a performance model. However, the performance prediction may differ if different strategies for measuring performance or machine learning model configurations are used. In addition, SFA-LOG and SVM had the best performance for regression, and DEA-VRS/IRS excelled with random forest; the RF algorithm was the best fit across all performance approaches. The error rate depends on the algorithm and the performance model, and the number of classes must be reduced to obtain a higher success rate.