Identifying people with post-COVID condition using linked, population-based administrative health data from Manitoba, Canada: prevalence and predictors in a cohort of COVID-positive individuals
Notice bibliographique
Résumé
OBJECTIVE: Many individuals exposed to SARS-CoV-2 experience long-term symptoms as part of a syndrome called post-COVID condition (PCC). Research on PCC is still emerging but is urgently needed to support diagnosis, clinical treatment guidelines and health system resource allocation. In this study, we developed a method to identify PCC cases using administrative health data and report PCC prevalence and predictive factors in Manitoba, Canada. DESIGN: Cohort study. SETTING: Manitoba, Canada. PARTICIPANTS: All Manitobans who tested positive for SARS-CoV-2 during population-wide PCR testing from March 2020 to December 2021 (n=66 365) and were subsequently deemed to have PCC based on International Classification of Disease-9/10 diagnostic codes and prescription drug codes (n=11 316). Additional PCC cases were identified using predictive modelling to assess patterns of health service use, including physician visits, emergency department visits and hospitalisation for any reason (n=4155). OUTCOMES: We measured PCC prevalence as % PCC cases among Manitobans with positive tests and identified predictive factors associated with PCC by calculating odds ratios with 95% confidence intervals, adjusted for sociodemographic and clinical characteristics (aOR). RESULTS: Among 66 365 Manitobans with positive tests, we identified 15 471 (23%) as having PCC. Being female (aOR 1.64, 95% CI 1.58 to 1.71), being age 60-79 (aOR 1.33, 95% CI 1.25 to 1.41) or age 80+ (aOR 1.62, 95% CI 1.46 to 1.80), being hospitalised within 14 days of COVID-19 infection (aOR 1.95, 95% CI 1.80 to 2.10) and having a Charlson Comorbidity Index of 1+ (aOR 1.95, 95% CI 1.78 to 2.14) were predictive of PCC. Receiving 1+ doses of the COVID-19 vaccine (one dose, aOR 0.80, 95% CI 0.74 to 0.86; two doses, aOR 0.29, 95% CI 0.22 to 0.31) decreased the odds of PCC. CONCLUSIONS: This data-driven approach expands our understanding of the prevalence and epidemiology of PCC and may be applied in other jurisdictions with population-based data. The study provides additional insights into risk and protective factors for PCC to inform health system planning and service delivery.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».