A Population-Based Model for Rationing COVID-19 Vaccine
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle