C.3 Exploring reduced incidence of pediatric neuro-autoimmune disorders during COVID-19 restrictions
Notice bibliographique
Résumé
Background: Infections are hypothesized to trigger certain autoimmune diseases; however, there is a lack of epidemiologic data surrounding pediatric neuro-autoimmune disorders during the COVID-19 pandemic. Our retrospective study assessed the incidence of pre-defined autoimmune disorders at the Children’s Hospital of Eastern Ontario from October 2017-June 2024. Methods: Inpatient/outpatient charts were queried to identify subjects with neuro-autoimmune disorders or type 1 diabetes (T1D) as a non-neurological autoimmune comparison group. Monthly incidences were compared between three COVID-19 pandemic restriction periods: the pre-restrictions (October 2017-March 2020), intra-restrictions (April 2020-June 2022), and post-restrictions periods (July 2022-June 2024). Poisson regression models were fit to the incidence data. To evaluate incidence of specific neuro-autoimmune disorders, crude monthly incidences of six diagnosis categories were compared: ‘Guillain-Barré syndrome’, ‘anti-NMDAR encephalitis’, ‘juvenile dermatomyositis’, ‘multiple sclerosis (MS)’, ‘acute demyelinating disorders’, and ‘other’. Results: Incidence of neuro-autoimmune disorders, but not T1D, decreased during the intra-restrictions period compared to the pre-restrictions period (IRR=0.57, 95% CI: 0.33-0.95, P<0.05). Grouping neuro-autoimmune subjects by diagnosis category showed a trend towards decreased incidence during the intra-restrictions versus pre-restrictions periods for all groups except MS. Conclusions: Incidence of certain neuro-autoimmune disorders, but not MS and T1D, decreased during pandemic restrictions, which may be due to reduced transmission of key infectious triggers.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,003 | 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 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 ».