MétaCan
Menu
Retour à la cohorte
Enregistrement W4408768114 · doi:10.1186/s12961-025-01298-9

An international comparison of longitudinal health data collected on long COVID in nine high income countries: a qualitative data analysis

2025· article· en· W4408768114 sur OpenAlexaboutno aff
Josephine Exley, Edmund Stubbs, Raphael Wittenberg, Nicholas Mays

Notice bibliographique

RevueHealth Research Policy and Systems · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueLong-Term Effects of COVID-19
Établissements canadiensnon disponible
Organismes subventionnairesDepartment of Health and Social CareNational Institute for Health and Care Research
Mots-clésData collectionHealth services researchPublic healthCoronavirus disease 2019 (COVID-19)Identification (biology)Focus groupMedicinePandemicHealth careGeographyDiseaseNursingPolitical scienceBusinessSociologyInfectious disease (medical specialty)Pathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Long coronavirus disease (COVID) presents a significant health challenge. Long-term monitoring is critical to support understanding of the condition, service planning and evaluation. We sought to identify and examine longitudinal health data collected on long COVID to inform potential decisions in England regarding the rationale for data collection, the data collected, the sources from which data were collected and the methods used for collection. METHODS: We included datasets in high-income countries that experienced similar coronavirus disease 2019 (COVID-19) waves to England pre-vaccine rollout. Relevant datasets were identified through literature searches, the authors' networks and participants' recommendations. We undertook semi-structured interviews with individuals involved in the development and running of the datasets. We held a focus group discussion with representatives of three long COVID patient organisations to capture the perspective of those with long COVID. Emergent findings were tested in a workshop with country interviewees. RESULTS: We analysed 17 datasets from nine countries (Belgium, Canada, Germany, Italy, the Netherlands, New Zealand, Sweden, Switzerland and the United Kingdom). Datasets sampled different populations, used different data collection tools and measured different outcomes, reflecting different priorities. Most data collection was research (rather than health care system)-funded and time-limited. For datasets linked to specialist services, there was uncertainty surrounding how long these would continue. Definitions of long COVID varied. Patient representatives' favoured self-identification, given challenges in accessing care and receiving a diagnosis; New Zealand's long COVID registry was the only example identified using this approach. Post-exertion malaise, identified by patients as a critical outcome, was absent from all datasets. The lack of patient-reported outcome measures (PROMs) was highlighted as a limitation of datasets reliant on routine health data, although some had developed mechanisms to extend data collection using patient surveys. CONCLUSIONS: Addressing research questions related to the management of long COVID requires diverse data sources that capture different populations with long COVID over the long-term. No country examined has developed a comprehensive long-term data system for long COVID, and, in many settings, data collection is ending leaving a gap. There is no obvious model for England or other countries to follow, assuming there remains sufficient policy interest in establishing a long-term long COVID patient registry.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Qualitatiflow
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Qualitatiflow
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

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)0,020
score de la tête « metaresearch » (Gemma)0,011
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 enseignants0,195
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0200,011
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0040,004
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,411
Tête enseignante GPT0,644
Écart entre enseignants0,233 · 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

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth Research Policy and SystemsMême sujetLong-Term Effects of COVID-19Travaux en français237 207