Assessing the value of linking public health microbiology data to the UK Biobank
Notice bibliographique
Résumé
Abstract Infection is important both as a cause of communicable diseases and as an exposure predisposing to non-communicable diseases. Investigating disease risk is a major research focus in large cohorts like UK Biobank. Linking cohorts to electronic health records, like the UK Health Security Agency’s Second Generation Surveillance System (SGSS), can enhance infection research. SGSS collects infection data from ∼200 microbiology laboratories across England, supporting surveillance, outbreak detection, and antimicrobial resistance monitoring. We previously described algorithms linking SGSS to UK Biobank and demonstrated their utility during the COVID-19 pandemic. Here, we assess the value of SGSS for infection research by comparing it to Hospital Episode Statistics (HES), a centralized clinical dataset on hospital admissions already available in UK Biobank. Genome-wide association studies (GWAS) were used to evaluate the performance of SGSS microbiological diagnoses versus HES diagnostic codes for identifying infection outcomes. SGSS contained substantially more infection records than HES by participant (82,888 vs 18,054), particularly for bacteria (excepting Helicobacter pylori and Mycobacterium tuberculosis ). SGSS yielded more GWAS hits (31 vs 12) encompassing more pathogens (12 vs 8). Our findings demonstrate the high scientific added-value of SGSS above and beyond that of HES, supporting its integration in UK Biobank for future infection 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 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 | 0,093 | 0,425 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,003 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».