A commentary on the value of hospital data for covid-19 pandemic surveillance and planning
Notice bibliographique
Résumé
Hospital data for covid-19 surveillance, planning and modelling are challenging to find worldwide in public aggregation portals. Detailed covid-19 hospital data provides insights into covid-19’s health burden including identifying which sociodemographic groups are at greatest risk of covid-19 morbidity and mortality. Timely hospital data is the best source of information for actionable forecasts and projection models of hospital capacity, including critical resources such as intensive care unit beds and ventilators that take time to plan or procure. A challenge to generate timely and detailed hospital data is the reliance on separation or discharge abstracts and census counts. What are needed are well-maintained lists of patients hospitalized with covid-19. From the standpoint of public health and health services researchers and practitioners, we describe the role of hospital data for studying covid-19, why admission data are hard to find, and how improved data infrastructure can meet surveillance and planning needs in the near future. Modern hospital electronic health records can create covid-19 patient lists and these decision support tools are increasingly used for research. These tools can generate patient lists that are transmitted and combined with public health data systems.
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 | 0,042 | 0,241 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,010 |
| Communication savante | 0,009 | 0,014 |
| Science ouverte | 0,009 | 0,005 |
| Intégrité de la recherche | 0,056 | 0,077 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».