Severity Scale of Influenza and Acute Respiratory Illness Hospitalizations to Support Viral Genomic Surveillance: A Global Influenza Hospital Surveillance Network Pilot Study
Notice bibliographique
Résumé
BACKGROUND: This study aimed to establish a Severity Scale for influenza and other acute respiratory infections (ARI), requiring hospitalization, for surveillance and research purposes (the SevScale). Such a scale could aid the interpretation of data gathered from disparate settings. This could facilitate pooled analyses linking viral genetic sequencing data to clinical severity, bringing insights to inform influenza surveillance and the vaccine strain selection process. METHODS: We used a subset of data from the Global Influenza Hospital Surveillance Network database, including data from different geographical areas and income levels. To quantify the underlying concept of severity, an item response model was developed using 16 indicators of severity related to the hospital stay. Each patient in the dataset was assigned a Severity Score and a Severity Category (low, medium, or high severity). Finally, we compared the model scores across different subgroups. RESULTS: Data from 9 countries were included, covering between 4 and 11 seasons from 2012 to 2022, with a total of 96,190 ARI hospitalizations. Not for all severity indicators data were available for all included seasons. Subgroups with a high percentage of patients in the high Severity Category included influenza A(H1N1)pdm09, age ≥ 50, lower-middle income countries, and admission since the start of the COVID-19 pandemic. CONCLUSIONS: The initial model successfully highlighted severity disparities across patient subgroups. Repeating this exercise with new, more complete data would allow recalibration and validation of the current model. The SevScale proved to be a promising method to define severity for influenza vaccine strain selection, surveillance, and research.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».