Estimating the magnitude of surveillance bias in COVID-19
Notice bibliographique
Résumé
Abstract Background Most European countries implemented COVID-19 surveillance systems based notably on the number of diagnosed infections. Using this number as an indicator of epidemic severity is however problematic since it is influenced by testing modality. Indeed, differences in the frequency of infections are partly due to differences in detection rates rather than to changes in the risk of infection, leading to a “surveillance bias”. Our goal was to estimate the magnitude of this bias in one region of Switzerland, using population-based seroprevalence as the best marker of epidemic severity. Methods We used data from serosurveys carried out on random samples of the adult population after the 1st (Jul-Oct 2020) and the 2nd wave of the pandemic (Nov 2020-Feb 2021), before the start of the vaccination campaign. To assess the scale of surveillance bias, we assessed the burden of COVID-19 between 2 waves comparing seroprevalence with the number of diagnosed cases (positive PCR or antigen tests). Results Out of 867 participants (46% men), 8% (IC 95%:4%-12%) and 19% (IC:15%-23%) had anti-SARS-CoV-2 IgG after the 1st and 2nd wave respectively, that is, a 11% increase between waves. The cumulative number of SARS-CoV-2 diagnosed cases was 2'355 after the 1st wave and 23'321 after the 2nd, that is, an increase of 20'966 cases between waves. Based on the number of diagnosed cases, the epidemic severity of the 2nd wave was 8-9 times higher compared with the 1st wave (20'966 vs 2'355 cases). Based on seroprevalence estimates, epidemic severity of the 2nd wave was less than 1.5 times higher compared to the 1st wave (11% vs 8%). Conclusions Due to changes in testing modalities, the number of cases is problematic to assess the burden of COVID-19 in different phases of the pandemic. Accounting for surveillance bias is necessary for accurate public health surveillance. Key messages
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 | 0,076 | 0,193 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».