P.040 Decreased incidence of neuro-autoimmune disorders during COVID-19 pandemic restrictions
Notice bibliographique
Résumé
Background: Infections are hypothesized to trigger certain autoimmune diseases; however, data surrounding incidence trends of pediatric neuro-autoimmune disorders during the COVID-19 pandemic are lacking. Our retrospective study thus assessed the incidence of pre-defined autoimmune disorders diagnosed at the Children’s Hospital of Eastern Ontario in Ottawa, Canada between October 2017 and June 2023. Methods: Inpatient and outpatient charts were queried to identify subjects with neuro-autoimmune disorders or type 1 diabetes (T1D) as a non-neurological autoimmune comparison group. Monthly incidences were calculated and grouped based on three COVID-19 pandemic restriction periods: the pre-restrictions period (October 2017-March 2020), intra-restrictions period (April 2020-June 2022), and post-restrictions period (July 2022-June 2023). Poisson regression models were fit to the incidence data. Results: New diagnoses of neuro-autoimmune disorders and T1D were identified in 86 and 591 subjects, respectively. Incidence of neuro-autoimmune disorders decreased significantly during the intra-pandemic restrictions period when compared to the pre-pandemic period (IRR=0.56, 95% CI: 0.32-0.93, P<0.05). Albeit not statistically significant, the incidence then increased to higher than pre-pandemic levels during the post-restrictions period. T1D showed no significant changes in incidence. Conclusions: Incidence of neuro-autoimmune disorders, but not T1D, decreased during COVID-19 pandemic restrictions, which may be due to reduced transmission of key infectious triggers.
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 | 0,000 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».