A population data-driven approach to identifying ‘Long COVID’ cases in support of diagnosis and treatment.
Notice bibliographique
Résumé
ObjectivePost-acute COVID-19 (or ‘long COVID’) manifests as a wide range of long-lasting symptoms affecting multiple organ systems. We are developing criteria for identifying long COVID cases using administrative, clinical, survey and other data from Manitoba, Canada, with the ultimate goal of examining long COVID prevalence, risk factors, prognosis and recovery. ApproachGiven the lack of an accepted clinical definition and resulting lack of diagnostic codes, we are adopting several different creative and complementary strategies to identify long COVID cases. We are examining administrative and clinical data sources (laboratory data, physician claims, drug prescriptions, and electronic medical records) for information on positive COVID tests, common symptoms and complaints, and treatment provided. To identify people with long COVID who may not have sought healthcare, we are collecting survey data from a convenience community sample (members of a medical health fitness facility) and mining data on long COVID symptoms from Twitter. ResultsThe combination of approaches we have adopted and the expanding scientific literature on long COVID are contributing to a more comprehensive understanding of the impacts of long COVID in Manitoba. Through preliminary work on the laboratory data (positive COVID tests March 2020-June 2021), we have developed and characterized a COVID-positive cohort (n=47,515). Work is now underway to develop an algorithm for long COVID using symptoms from free text in electronic medical records, ICD-9 codes, and changes in health-seeking behaviour (compared to the pre-positive COVID test period and a matched sample). This population data-driven approach will then allow us to examine how multiple underlying health conditions, COVID illness severity, COVID vaccination status, and various socio-demographic factors are related to risk of long COVID. ConclusionThis research is generating actionable information by identifying risk factors to support clinical diagnosis of long COVID, making it easier for clinicians to recognize this new illness and develop plans to manage it, and will inform healthcare system planning by quantifying the burden of long COVID at the population level.
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 | 0,016 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».