Evaluation of influenza case definitions for use in real-world evidence research
Notice bibliographique
Résumé
Background: Laboratory confirmation of influenza is not routinely done in practice. With the advent of big data, it is tempting to use healthcare administrative databases for influenza vaccine effectiveness studies, which often rely on clinical diagnosis codes. The objective of this article is to compare influenza incidence curves using international case definitions derived from clinical diagnostic codes with influenza surveillance data from the United States (US) Centers for Disease Control and Prevention (CDC). Methods: This case series describes influenza incidence by CDC week, defined using International Classification of Disease diagnostic codes over four influenza seasons (2015-2016 to 2018-2019) in a cohort of US individuals three years of age and older who consulted at least once per year between 2015 and 2019. Results were compared to the number of influenza-positive specimens or outpatient visits for influenza-like illness obtained from the CDC flu surveillance data. Results: The incidence curves of influenza-related medical encounters were very similar to the CDC's surveillance data for laboratory-confirmed influenza. Conversely, the number of influenza-like illness encounters was high when influenza viruses started to circulate, leading to a discrepancy with CDC-reported data. Conclusion: A specific case definition should be prioritized when data for laboratory-confirmed influenza are not available, as a broader case definition would conservatively bias influenza vaccine effectiveness toward the null.
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 | 0,504 | 0,804 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,016 |
| Bibliométrie | 0,033 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,007 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,001 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».