Strengths and limitations of assessing influenza vaccine effectiveness using routinely collected, passive surveillance data in Ontario, Canada, 2007 to 2012: balancing efficiency versus quality
Notice bibliographique
Résumé
Prompt evaluation of annual influenza vaccine effectiveness (IVE) is important. IVE is estimated in Ontario using a test-negative design (TND) within a national sentinel surveillance network (SPSN). To explore alternative approaches, we applied the screening method (SM) during five seasons spanning 2007 to 2012 to passive surveillance data to determine whether routinely collected data could provide unbiased IVE estimates. Age-adjusted SM-IVE estimates, excluding 2008/09 pandemic cases and cases with missing immunisation status, were compared with TND-IVE estimates in SPSN participants, adjusted for age, comorbidity, week of illness onset and interval to specimen collection. In four seasons, including the 2009 pandemic, the SM underestimated IVE (22–39% seasonal; 72% pandemic) by 20 to 35% relative to the TND-IVE (58–63% seasonal; 93% pandemic), except for the 2010/11 season when both estimates were low (33% and 30%, respectively). Half of the cases in the routine surveillance data lacked immunisation information; imputing all to be unimmunised better aligned SM-IVE with TND-IVE, instead overestimating in four seasons by 4 to 29%. While the SM approach applied to routine data may offer the advantage of timeliness, ease and efficiency, methodological issues related to completeness of vaccine information and/or case ascertainment may constitute trade-offs in reliability.
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 | 0,086 | 0,200 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,004 | 0,009 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,005 | 0,003 |
| 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 ».