Novel Methods in the Surveillance of Influenza-Like Illness in Germany Using Data From a Symptom Assessment App (Ada): Observational Case Study
Notice bibliographique
Résumé
BACKGROUND: Participatory epidemiology is an emerging field harnessing consumer data entries of symptoms. The free app Ada allows users to enter the symptoms they are experiencing and applies a probabilistic reasoning model to provide a list of possible causes for these symptoms. OBJECTIVE: The objective of our study is to explore the potential contribution of Ada data to syndromic surveillance by comparing symptoms of influenza-like illness (ILI) entered by Ada users in Germany with data from a national population-based reporting system called GrippeWeb. METHODS: We extracted data for all assessments performed by Ada users in Germany over 3 seasons (2017/18, 2018/19, and 2019/20) and identified those with ILI (report of fever with cough or sore throat). The weekly proportion of assessments in which ILI was reported was calculated (overall and stratified by age group), standardized for the German population, and compared with trends in ILI rates reported by GrippeWeb using time series graphs, scatterplots, and Pearson correlation coefficient. RESULTS: In total, 2.1 million Ada assessments (for any symptoms) were included. Within seasons and across age groups, the Ada data broadly replicated trends in estimated weekly ILI rates when compared with GrippeWeb data (Pearson correlation-2017-18: r=0.86, 95% CI 0.76-0.92; P<.001; 2018-19: r=0.90, 95% CI 0.84-0.94; P<.001; 2019-20: r=0.64, 95% CI 0.44-0.78; P<.001). However, there were differences in the exact timing and nature of the epidemic curves between years. CONCLUSIONS: With careful interpretation, Ada data could contribute to identifying broad ILI trends in countries without existing population-based monitoring systems or to the syndromic surveillance of symptoms not covered by existing 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».