COVID-19, children and non-communicable diseases: translating evidence into action
Notice bibliographique
Résumé
The world faces an existential, once in a lifetime pandemic due to a novel coronavirus (SARS-CoV-2) which has to date infected over 25 million people across the world, with nearly 850 000 deaths.1 The disease, labelled COVID-19 by the WHO, has now spread to almost all the countries of the world and crippled the global economy. While high-income countries have been able to tap into their resources and reserves, for many low-income and middle-income countries, rising unemployment, population lock downs and closure of businesses have inflicted crippling damage on fragile economies, with rising inequalities and worsening poverty. While early reports of the infection2 3 suggested that the infection may be generally mild in children with COVID-19, with general case fatality rate less than 1%, there are increasing reports of complications among children and adolescents.4 In addition, a recent series of cases with multisystem inflammatory response merits reconsideration of these risks.5 There are also clear signals of predictors for adverse outcomes from COVID-19 infections. The disease has disproportionately taken a toll among the elderly population in long-term care facilities, with many dying without even being tested for COVID-19 infection.6 There is clear evidence of excess mortality in subgroups, especially those with comorbidities, most commonly related to non-communicable diseases (NCDs), such as diabetes, hypertension, obesity, heart disease and cancer.7 The same appears to be true among paediatric COVID-19 infections. A systematic review analysed a total of 7780 paediatric COVID-19 positive cases globally, and found that patients with information on underlying conditions (n=655) included the following comorbidities: immunosuppression (30.5%), respiratory conditions (20%) and cardiovascular disease (14%).8 A recent report from the UK of 651 hospitalised children with COVID-19 from 260 hospitals identified comorbidities in 42% (276/651) of cases.9 Comorbidities most commonly associated with …
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 | 0,031 | 0,132 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,009 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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 ».