La nécessité d’une surveillance génomique liée du SRAS-CoV-2
Notice bibliographique
Résumé
La surveillance génomique au cours de la pandémie de maladie à coronavirus 2019 (COVID-19) a été essentielle pour repérer en temps utile les variants du virus ayant des conséquences importantes pour la santé publique, telles que les variants qui peuvent se transmettre et provoquer une maladie grave chez les personnes vaccinées ou guéries. L’émergence rapide du variant Omicron a mis en évidence la rapidité avec laquelle l’étendue d’une menace doit être évaluée. Le séquençage rapide et l’ouverture des institutions de santé publique au partage international des données de séquençage offrent une occasion sans précédent de le faire. Toutefois, l’évaluation des propriétés épidémiologiques et cliniques de tout nouveau variant reste un défi. Nous mettons ici en évidence un « groupe de quatre » sources de données clés qui peuvent aider à détecter les variants viraux qui menacent la gestion de la COVID-19 : 1) des données génétiques (séquence du virus), 2) des données épidémiologiques et géographiques, 3) des données cliniques et démographiques, et 4) des données sur la vaccination. Nous soulignons les avantages qui peuvent être obtenus en reliant les données de ces sources et en combinant les données de ces sources avec les données de séquences virales. Les défis considérables que représente la mise à disposition des données génomiques et les coupler avec les caractéristiques des virus et des patients doivent être comparés aux conséquences majeures de ne pas le faire, notamment si de nouveaux variants préoccupants apparaissent et se propagent sans être détectés et traités à temps.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».