Notice bibliographique
Résumé
BACKGROUND As COVID-19 vaccines develop, methods for identifying vulnerability within groups to prioritized vaccination remain un-established. This paper presents a novel approach based on population-based analysis of viral pneumonia vulnerability, as an example. METHODS The analysis employed an anonymous, 16-year, population dataset (n = 768,460) consisting of International Classification of Diseases (ICD-9) diagnoses, demographics, and dates identifying those with viral pneumonia and permitting linkage of these individuals to all their associated diagnoses for calculation of odds ratios and proportions of disorders before and after the index viral pneumonia diagnosis. RESULTS Females and males had results of differing magnitude. For those with viral pneumonia, the mean number of diagnoses was greater in both the subsample and whole sample, with associated diagnoses arising about 4 years on average before the viral pneumonia index diagnosis. Within the subsample, compared to those without, the temporal analysis revealed distinct over-representation for those with viral pneumonia at visit one and over the first fifty visits. Further, those with viral pneumonia had diagnoses not represented in the group without viral pneumonia. CONCLUSIONS The population-based analysis of temporal hyper-morbidity may be a viable and economical approach to identifying viral pneumonia vulnerability. The approach presented in this paper may provide an economical means of identifying vulnerability to COVID-19 in regions where comparable data are available for analysis. Rational approaches may optimize vaccination and help to limit the spread of the disease and to some extent alleviate the health service burden.
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 | 0,004 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 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; 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 ».