The Problem with Pertussis: Finding Undetected Pertussis Cases in Electronic Medical Record Primary Care (EMRPC) to Improve Data Accuracy and Burden Estimates
Notice bibliographique
Résumé
Pertussis is a reportable disease in many countries and surveillance is essential, but ascertainment bias has limited data accuracy. However, the true extent of bias, and its impact on burden estimates, is unknown. Within this dissertation are three novel studies which aim to evaluate and enhance the accuracy of health data used for pertussis research in Ontario to improve burden estimates which can inform disease surveillance, health interventions, and public health policy.I used a stratified strategy to sample a reference standard from a primary care electronic medical record cohort to minimize partial verification bias while optimizing sensitivity precision. Eight hundred records were abstracted, with 208 (26.0%) definite and 261 (32.6%) possible prevalent pertussis cases. Classifications demonstrated a variety of case severities. During optimization, the predicted width of 95% confidence intervals for sensitivity ranged from 12.4% to 32.8%. I used a cohort-selected cross-sectional design to evaluate pertussis detection algorithms and reasons for lack of detection in a primary care electronic medical record database. The algorithm including all data measures achieved the highest sensitivity at 20.6%. Sensitivity increased to 100% after reclassifying symptom-only cases as non-cases, but the PPV remained low. Age at first episode was significantly associated with detection in half of the tested scenarios, and false negatives often had some history of immunization. I used Chao capture-recapture models to obtain abundance and sensitivity estimates using a dataset comprised of pertussis case report, laboratory, and health administrative data. I compared results between prevalence, incidence, and adjusted false positive case definitions. Findings demonstrated that all sources consistently fail to detect pertussis cases. Estimate validity improved after adjusting for false positives, demonstrating how capture-recapture methods can be adapted to further their utility to epidemiological research when data is biased. This research strives to improve understanding of gaps in pertussis case ascertainment and burden in Ontario while suggesting mitigation strategies. Each separate aim contributes to this effort. High quality data is essential for conducting vaccine research and effectiveness studies, in addition to evaluating immunization programs. As a result, findings from this study can help direct future research and policy towards the design of optimal public health interventions for pertussis.
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 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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».