Symptom-based case definitions for COVID-19: time and geographical variations for detection at hospital admission among 260,000 patients
Notice bibliographique
Résumé
Introduction: Case definitions are used to guide clinical practice, surveillance, and research protocols. However, how they identify COVID-19-hospitalised patients is not fully understood. We analysed the proportion of hospitalised patients with laboratory-confirmed COVID-19, in the ISARIC prospective cohort study database, meeting widely used case definitions. Methods: Patients were assessed using the CDC, ECDC, WHO, and UKHSA case definitions by age, region, and time. Case fatality ratios (CFR) and symptoms of those who did and who did not meet the case definitions were evaluated. Patients with incomplete data and non-laboratory-confirmed test-result were excluded. Results: 263,218 of the patients (42%) in the ISARIC database were included. Most patients (90.4%) were from Europe and Central Asia. The proportions of patients meeting the case definitions were 56.8% (WHO), 74.4% (UKHSA), 81.6% (ECDC), and 82.3% (CDC). For each case definition, patients at the extremes of age distribution met the criteria less frequently than those aged 30 to 70 years; geographical and time variations were also observed. Estimated CFRs were similar for the patients that met the case definitions. However, when more patients did not meet the case definition, the CFR increased. Conclusions: The performance of case definitions might be different in different regions and may change over time. Similarly concerning is the fact that older patients often did not meet case definitions. While epidemiologists must balance their analytics with field applicability, ongoing revision of case definitions is necessary to improve patient care through early diagnosis and limit potential nosocomial spread.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 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 ».