MétaCan
Menu
Retour à la cohorte
Enregistrement W4407630611 · doi:10.1093/ofid/ofaf098

Evaluating Hospital Admission Data as Indicators of COVID-19 Severity: A National Assessment in Qatar

2025· article· en· W4407630611 sur OpenAlexaff
Layan Sukik, Hiam Chemaitelly, Houssein H. Ayoub, Peter Coyle, Patrick Tang, Mohammad R. Hasan, Hadi M. Yassine, Asmaa A. Al Thani, Zaina Al-Kanaani, Einas Al‐Kuwari, Andrew Jeremijenko, Anvar Hassan Kaleeckal, Ali Nizar Latif, Riyazuddin Mohammad Shaik, Hanan F. Abdul Rahim, Gheyath K. Nasrallah, Mohamed Ghaith Al‐Kuwari, Adeel A. Butt, Hamad Eid Al‐Romaihi, Mohamed H. Al‐Thani, Abdullatif Al‐Khal, Roberto Bertollini, Laith J. Abu‐Raddad

Notice bibliographique

RevueOpen Forum Infectious Diseases · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueCOVID-19 Clinical Research Studies
Établissements canadiensMcMaster UniversityMcMaster University Medical Centre
Organismes subventionnairesnon disponible
Mots-clésMedicineCoronavirus disease 2019 (COVID-19)Hospital admission2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Emergency medicineMedical emergencyVirologyInternal medicineOutbreak

Résumé

récupéré en direct d'OpenAlex

Background: Accurately assessing SARS-CoV-2 infection severity is essential for understanding the health impact of the infection and evaluating the effectiveness of interventions. This study investigated whether SARS-CoV-2-associated hospitalizations can reliably measure true COVID-19 severity. Methods: The diagnostic accuracy of SARS-CoV-2-associated acute care and ICU hospitalizations as indicators of infection severity was assessed in Qatar from 6 September 2021 to 13 May 2024. WHO criteria for severe, critical, and fatal COVID-19 served as the reference standard. Two indicators were assessed: (1) any SARS-CoV-2-associated hospitalization in acute care or ICU beds and (2) ICU-only hospitalizations. Results: A total of 644 176 SARS-CoV-2 infections were analyzed. The percent agreement between any SARS-CoV-2-associated hospitalization (acute care or ICU) and WHO criteria was 98.7% (95% confidence interval (CI), 98.6-98.7); however, Cohen's kappa was only 0.17 (95% CI, 0.16-0.18), indicating poor agreement. Sensitivity, specificity, PPV, and negative predictive value were 100% (95% CI, 99.6-100), 98.7% (95% CI, 98.6-98.7), 9.7% (95% CI, 9.1-10.3), and 100% (95% CI, 100-100), respectively. For SARS-CoV-2-associated ICU-only hospitalizations, the percent agreement was 99.8% (95% CI, 99.8-99.9), with a kappa of 0.47 (95% CI, 0.44-0.50), indicating fair-to-good agreement. Sensitivity, specificity, PPV, and negative predictive value were 46.6% (95% CI, 43.4-49.9), 99.9% (95% CI, 99.9-99.9), 47.9% (95% CI, 44.6-51.2), and 99.9% (95% CI, 99.9-99.9), respectively. Conclusions: Generic hospital admissions are unreliable indicators of COVID-19 severity, whereas ICU admissions are somewhat more accurate. The findings demonstrate the importance of applying specific, robust criteria-such as WHO criteria-to reduce bias in epidemiological and vaccine effectiveness studies.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,117
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,150
Score d'incertitude au seuil0,994

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,117
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,003
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,083
Tête enseignante GPT0,548
Écart entre enseignants0,466 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueOpen Forum Infectious DiseasesMême sujetCOVID-19 Clinical Research StudiesTravaux en français237 207