The accuracy and timeliness of neuraminidase inhibitor dispensing data for predicting laboratory-confirmed influenza
Notice bibliographique
Résumé
Neuraminidase inhibitor (NI) dispensing has emerged as a possible automated data source for influenza surveillance. We aimed to evaluate its timeliness, correlation, and predictive accuracy in relation to influenza activity in Quebec, Canada, 2010-2013. Our secondary objective was to use the same metrics to compare NI dispensing to visits for influenza-like illness (ILI) in emergency departments (EDs). Provincial weekly counts of positive influenza laboratory tests were used as a reference measure for the level of influenza circulation. We applied ARIMA models to account for serial correlation. We computed cross-correlations to measure the strengths of association and lead-lag relationships between NI dispensing, ILI ED visits, and our reference indicator. Finally, using an ARIMA model, we evaluated the ability of NI dispensing and ILI ED visits to predict laboratory-confirmed influenza. NI dispensing was significantly correlated (R = 0·68) with influenza activity with no lag. The maximal correlation of ILI ED visits was not as strong (R = 0·50). Both NI dispensing and ILI ED visits were significant predictors of laboratory-confirmed influenza in a multivariable model; predictive potential was greatest when NI counts were lagged to precede laboratory surveillance by 2 weeks. We conclude that NI dispensing data provides timely and valuable information for influenza surveillance.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».