COVID-19 Health Impact: A Use Case for Syndromic Surveillance System Monitoring Based on Primary Care Patient Registries in the Netherlands
Notice bibliographique
Résumé
Background: The COVID-19 pandemic challenged societies worldwide. The implementation of mitigation measures to limit the number of SARS-CoV-2 infections resulted in unintended health effects. Objective: The objective of this study is to demonstrate the use of an existing syndromic surveillance system in primary care during a first series of quarterly cross-sectional monitoring cycles, targeting health problems presented in primary care among Dutch youth since August 2021. Methods: Aggregated data from the surveillance system of Nivel Primary Care Database were analyzed quarterly to monitor 20 health problems often reported in the aftermath of disasters and environmental incidents. Results were stratified by age (ie, 0-4, 5-14, and 15-24 years), sex, and region (province). Weekly prevalence rates were calculated as the number of persons consulting their general practitioner in a particular week, using the number of enlisted persons as the denominator. Findings were compared to quarterly survey panel data, collected in the context of the Integrated Health Monitor COVID-19, and the Dutch stringency index values, indicative of the intensity of COVID-19 mitigation measures. Results: Over time, weekly rates pointed to an increased number of consultations for depressive feelings and suicide (attempts) among youth, during and after periods with intensified domestic restrictions. Conclusions: The results illustrate how, from a disaster health research perspective based on the COVID-19 pandemic, health consequences of pandemics could be successfully followed over time using an existing infrastructure for syndromic surveillance and monitoring. Particular areas of health concern can be defined beforehand, and may be modified or expanded during the monitoring activities to track relevant developments. Although an association between patterns and changes in the strictness of mitigation measures might seem probable, claims about causality should be made with caution.
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 | 0,034 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».