What are the characteristics of participatory surveillance systems for influenza-like-illness?
Notice bibliographique
Résumé
Background: Seasonal influenza causes significant morbidity and mortality, with an estimated 9.4 million hospitalisations and 290 000-650 000 respiratory related-deaths globally each year. Influenza can also cause mild illness, which is why not all symptomatic persons might necessarily be tested for influenza. To monitor influenza activity, healthcare facility-based syndromic surveillance for influenza-like illness is often implemented. Participatory surveillance systems for influenza-like illness (ILI) play an important role in influenza surveillance and can complement traditional facility-based surveillance systems to provide real-time estimates of influenza-like illness activity. However, such systems differ in designs between countries and contexts, making it necessary to identify their characteristics to better understand how they fit traditional surveillance systems. Consequently, we aimed to investigate the performance of participatory surveillance systems for ILI worldwide. Methods: We systematically searched four databases for relevant articles on influenza participatory surveillance systems for ILI. We extracted data from the included, eligible studies and assessed their quality using the Joanna Briggs Critical Appraisal Tools. We then synthesised the findings using narrative synthesis. Results: We included 39 out of 3797 retrieved articles for analysis. We identified 26 participatory surveillance systems, most of which sought to capture the burden and trends of influenza-like illness and acute respiratory infections among cohorts with risk factors for influenza-like illness. Of all the surveillance system attributes assessed, 52% reported on correlation with other surveillance systems, 27% on representativeness, and 21% on acceptability. Among studies that reported these attributes, all systems were rated highly in terms of simplicity, flexibility, sensitivity, utility, and timeliness. Most systems (87.5%) were also well accepted by users, though participation rates varied widely. However, despite their potential for greater reach and accessibility, most systems (90%) fared poorly in terms of representativeness of the population. Stability was a concern for some systems (60%), as was completeness (50%). Conclusions: The analysis of participatory surveillance system attributes showed their potential in providing timely and reliable influenza data, especially in combination with traditional hospital- and laboratory led-surveillance systems. Further research is needed to design future systems with greater uptake and utility.
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 | 0,234 | 0,516 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,006 |
| Bibliométrie | 0,009 | 0,011 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,011 | 0,014 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».