Predictors of Severity of Influenza-Related Hospitalizations: Results From the Global Influenza Hospital Surveillance Network (GIHSN)
Notice bibliographique
Résumé
BACKGROUND: The Global Influenza Hospital Surveillance Network (GIHSN) has since 2012 provided patient-level data on severe influenza-like-illnesses from >100 participating clinical sites worldwide based on a core protocol and consistent case definitions. METHODS: We used multivariable logistic regression to assess the risk of intensive care unit admission, mechanical ventilation, and in-hospital death among hospitalized patients with influenza and explored the role of patient-level covariates and country income level. RESULTS: The data set included 73 121 patients hospitalized with respiratory illness in 22 countries, including 15 660 with laboratory-confirmed influenza. After adjusting for patient-level covariates we found a 7-fold increase in the risk of influenza-related intensive care unit admission in lower middle-income countries (LMICs), compared with high-income countries (P = .01). The risk of mechanical ventilation and in-hospital death also increased by 4-fold in LMICs, though these differences were not statistically significant. We also find that influenza mortality increased significantly with older age and number of comorbid conditions. Across all severity outcomes studied and after controlling for patient characteristics, infection with influenza A/H1N1pdm09 was more severe than with A/H3N2. CONCLUSIONS: Our study provides new information on influenza severity in underresourced populations, particularly those in LMICs.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».