An early warning precision public health approach for assessing COVID-19 vulnerability in the UK: the Moore-Hill Vulnerability Index (MHVI)
Notice bibliographique
Résumé
BACKGROUND: Most COVID-19 vulnerability indices rely on measures that are biased by rates of exposure or are retrospective like mortality rates that offer little opportunity for intervention. The Moore-Hill Vulnerability Index (MHVI) is a precision public health early warning alternative to traditional infection fatality rates that presents avenues for mortality prevention. METHODS: We produced an infection-severity vulnerability index by calculating the proportion of all recorded positive cases that were severe and attended by ambulances at small area scale for the East Midlands of the UK between May 2020 and April 2022. We produced maps identifying regions with high and low vulnerability, investigated the accuracy of the index over shorter and longer time periods, and explored the utility of the MHVI compared to other common proxy measures and indices. Analysis included exploring the correlation between our novel index and the Index of Multiple Deprivation (IMD). RESULTS: The MHVI captures geospatial dynamics that single metrics alone often overlook, including the compound health challenges associated with disadvantaged and declining coastal towns inhabited by communities with post-industrial health legacies. A moderate negative correlation between MHVI and IMD reflects spatial analysis which suggests that high vulnerability occurs in affluent rural as well as deprived coastal and urban communities. Further, the MHVI estimates of severity rates are comparable to infection fatality rates for COVID-19. CONCLUSIONS: The MHVI identifies regions with known high rates of poor health outcomes prior to the pandemic that case rates or mortality rates alone fail to identify. Pre-hospital early warning measures could be utilised to prevent mortality during a novel pandemic.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».