Patient characteristics associated with clinically coded long COVID: an OpenSAFELY study using electronic health records
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Clinically coded long COVID cases in electronic health records (EHRs) are incomplete, despite reports of rising cases of long COVID. AIM: To determine patient characteristics associated with clinically coded long COVID. DESIGN & SETTING: With the approval of NHS England, we conducted a cohort study using EHRs within the OpenSAFELY-TPP platform in England, to study patient characteristics associated with clinically coded long COVID from 29 January 2020 to 31 March 2022. METHOD: We summarised the distribution of characteristics for people with clinically coded long COVID. We estimated age-sex adjusted hazard ratios (aHRs) and fully aHRs for coded long COVID. Patient characteristics included demographic factors, and health behavioural and clinical factors. RESULTS: Among 17 986 419 adults, 36 886 (0.21%) were clinically coded with long COVID. Patient characteristics associated with coded long COVID included female sex, younger age (aged <60 years), obesity, living in less deprived areas, ever smoking, greater consultation frequency, and history of diagnosed asthma, mental health conditions, pre-pandemic post-viral fatigue, or psoriasis. These associations were attenuated following two doses of COVID-19 vaccines compared with before vaccination. Differences in the predictors of coded long COVID between the pre-vaccination and post-vaccination cohorts may reflect the different patient characteristics in these two cohorts rather than the vaccination status. Incidence of coded long COVID was higher in those with hospitalised COVID-19 than with those with non-hospitalised COVID-19. CONCLUSION: We identified variation in coded long COVID by patient characteristic. Results should be interpreted with caution as long COVID was likely under-recorded in EHRs.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle