Preparing for Disease X requires CLARITY – Lessons learned from COVID-19 – A systematic Review
Notice bibliographique
Résumé
Abstract Objectives The COVID-19 pandemic has highlighted the critical need for comprehensive preparedness strategies for future pandemics, particularly those caused by unknown pathogens, or Disease X. Study Design Our systematic review examined current literature on COVID-19 risk factors, identifying significant gaps and inconsistencies in data reporting. Methods A systematic literature search was conducted including all English language published retrospective and prospective observational studies which documented clinical outcomes of COVID-19 in adult patients, on Ovid MEDLINE(R) and Epub databases (December 2019 to March 2023). Results The search yielded 440 articles of which 29 were included in the systematic review. We identified major risk factors for severe outcomes. However, inconsistencies in reporting comorbidities, age, disease control levels, medication use, vaccination status, and variant type, limited our analysis. In many publications, this information was not included. Additionally, variations in public attitudes, knowledge, and behaviours regarding COVID-19 vaccines further complicated resource distribution. We propose the CLARITY model to address these gaps by standardizing risk factor reporting, encompassing detailed comorbidity profiles, disease control metrics, age analyses, medication and vaccination data, and variant-specific information. Conclusions Implementing the CLARITY model could improve preparedness and response strategies for Disease X, enabling healthcare professionals and systems to allocate resources more effectively and mitigate the impact of future pandemics. This review underscores the necessity for a coordinated global effort to enhance pandemic preparedness through improved data reporting and risk stratification. Funding This study received financial support from Moderna Biopharma Canada Corporation. Trial Registration PROSPERO Identifier CRD42023449647
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 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».