Predictors of Disease Severity in Children Hospitalized for Pertussis During an Epidemic
Notice bibliographique
Résumé
BACKGROUND: Australia recently experienced its worst pertussis epidemic since introduction of pertussis vaccine into the National Immunisation Program. This study aimed to determine factors associated with severe pertussis in hospitalized children during an epidemic using a novel pertussis severity scoring (PSS) system. METHODS: This prospective, observational, multicenter study enrolled children hospitalized with laboratory confirmed pertussis from 8 tertiary pediatric hospitals during a 12 month period (May 2009-April 2010). Variables assessed included demographics, clinical symptoms and relevant medical and immunization history. Cases were scored using objective clinical findings with cases classified as either severe (PSS > 5) or not severe (PSS ≤ 5). Logistic regression models were used to predict variables associated with severe disease. RESULTS: One hundred twenty hospitalized children 0-17 years of age were enrolled with a median PSS of 5 (interquartile range 3-7). Most (61.7%) were classified as not severe with 38.3% (46/120) severe. Most severe cases (54.3%) were <2 months of age. Presence of coinfection [odds ratio (OR): 4.82, CI: 1.66-14.00], <2 months old (OR: 4.76, CI: 1.48-15.32), fever >37.5°C (OR: 5.97, CI: 1.19-29.96) and history of prematurity (OR: 5.00, CI: 1.27-19.71) were independently associated with severe disease. A total of 70 cases in children ≥2 months of age, almost a third (n = 23) had not received pertussis vaccine. CONCLUSIONS: Most severe pertussis occurred in young, unimmunized infants, although severe disease was also observed in children >12 months of age and previously vaccinated children. Children admitted with pertussis with evidence of coinfection, history of prematurity or fever on presentation need close monitoring.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».