The proof is in the pandemic: real-world evidence on COVID-19
Notice bibliographique
Résumé
Real-world data (RWD) refers to health information collected from different sources, such as electronic health records and wearable devices. Real-world evidence (RWE) is the insight gained by analysing RWD. This thesis explores applications of RWE in the context of the COVID-19 pandemic. Part 1 investigates the occurrence of myocarditis and pericarditis following the mRNA-1273 COVID-19 vaccine, using data from four European countries. The findings suggested that male sex, younger age, previous SARS-CoV-2 infection, and prior poor health may increase the risk of post-mRNA-1273 myocarditis and pericarditis. It was also found that patients who were older and had worse prior health were more likely to experience severe outcomes following myocarditis or pericarditis onset. Part 2 presents results of the COVID-RED trial, which investigated whether a wearable device could detect SARS-CoV-2 infections and enrolled nearly 18,000 participants. An algorithm based on data from the wearable device was able to detect many infections, even before symptom onset, but also produced to numerous false positive alerts. An analysis of study retention during the trial suggested that age, employment situation, living situation, and receipt of COVID-19 vaccination were linked to retention. Part 3 reviews 30 studies that investigated the use of federated learning, which is a method that allows for analysing RWD from different sources without sharing sensitive information, in infectious disease research. While promising for infectious disease research, the method still needs further development. Overall, this thesis demonstrates how RWE can improve our understanding of COVID-19 and prepare us for future outbreaks.
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 | 0,071 | 0,330 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 ».