Assessing the severity of COVID-19 waves: beware of surveillance bias
Notice bibliographique
Résumé
Abstract Background Indicators to assess the severity of epidemic waves during the COVID-19 pandemic were influenced by differences in detection modalities over time, leading to surveillance bias. We compared four indicators across three pandemic periods to assess surveillance bias. Methods We used data from one region of Switzerland. We compared seroprevalence, cases, hospitalizations, and deaths during three periods (period 1: Feb-Oct 2020, including the 1st wave; period 2: Oct 2020-Feb 2021, including the 2nd wave; period 3: Feb-Aug 2021, including the 3rd wave and after the start of the vaccination campaign). Data were retrieved from the Swiss Federal Office of Public Health or population-based studies. We compared each indicator to a reference indicator (seroprevalence during periods 1 and 2 and hospitalizations during period 3). We also assessed the timeliness of the indicators, i.e., the duration from data generation to the availability of the information to decision-makers. Results According to seroprevalence estimates, the severity of the 2nd wave was slightly larger (by a ratio of 1.4) than the severity of the 1st wave. Compared to seroprevalence, cases largely overestimated the 2nd wave severity (2nd vs 1st wave ratio: 6.5) while hospitalizations (ratio: 2.2) and deaths (ratio: 2.9) were more suitable to compare the severity of these waves. According to hospitalizations, the 3rd wave severity was slightly smaller (by ratio of 0.7) than the 2nd wave. Compared to hospitalizations, cases or deaths slightly underestimated the 3rd wave severity (3rd vs 2nd wave ratio for cases: 0.5; for deaths: 0.4) and seroprevalence was very biased due to high vaccination rates. Across all waves, timeliness for cases and hospitalizations was better than for deaths or seroprevalence. Conclusions To assess the severity of pandemic waves accounting for surveillance bias, different types of indicators must be used across time. Key messages • Differences in detection modalities over time can skew the assessment of the severity of COVID-19 pandemic waves, leading to surveillance bias. • The effectiveness of indicators in describing the severity of COVID-19 pandemic waves depends on the type of indicator used and the stage of the 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 | 0,109 | 0,238 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».