COVID-19 Case Age Distribution: Correction for Differential Testing by Age
Notice bibliographique
Résumé
Abstract Background SARS-CoV-2 is a novel pathogen and is currently the cause of a global pandemic. Despite expected universal susceptibility to a novel pathogen, the pandemic to date has been characterized by higher observed incidence in the oldest individuals and lower incidence in children and adolescents. Differential testing by age group may explain some of these observed differences, but datasets linking case counts to public health testing volumes are uncommon. Methods We used data from Ontario, Canada. Case data were obtained from Ontario’s provincial line, while testing data were obtained from an information system with complete SARS-CoV-2 testing data for public, hospital, and private laboratories. Demographic and temporal patterns in reported case incidence, testing rates, and test positivity were explored using negative binomial regression models. Standardized morbidity and testing ratios (SMR, STR), and standardized test positivity (STP) were calculated by dividing age- and sex-specific rates by overall rates; demographic and temporal patterns in standardized ratios were explored using meta-regression. Testing adjusted SMR were estimated using linear regression models. Results Observed disease incidence and testing rates were highest in oldest individuals and markedly lower in those aged < 20. Temporal trends in disease incidence and testing were observed, but standardizing morbidity and testing ratios eliminated temporal trends (i.e., relative patterns by age and sex remained identical regardless of epidemic phase). After adjustment for testing frequency, SMR were lowest in children and adults aged 70 and older, approximately the same in adolescents as in the population as a whole and elevated in young adults (aged 20-29 years), providing a markedly different picture of the epidemic than seen with crude SMR or case-based incidence. Test-adjusted SMR were validated using seroprevalence data (Pearson correlation coefficient 0.82, P = 0.04). Conclusions Surveillance for SARS-CoV-2 infection is typically performed using only test-positive case data, without adjustment for testing frequency. Older adults are tested more frequently, likely due to increased disease severity, while children are under-tested. Adjustment for testing frequency results in a very different picture of SARS-CoV-2 infection risk by age, one that is consistent with estimates obtained through serological testing.
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 | 0,065 | 0,181 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,013 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,009 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,005 |
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 ».