Evaluating the use of physician billing data for age and setting specific influenza surveillance
Bibliographic record
Abstract
La surveillance syndromique a émergé comme une nouvelle approche automatisée pour le contrôle des maladies avec des sources de données pré-diagnostic, mais qui sont souvent non-spécifiques. Pourtant, il y a peu de consensus concernant les meilleures sources de données. En utilisant des factures médicales émises entre 1998 et 2003, et provenant de centres communautaire et de services d'urgence au Québec, Canada, nous avons évalué par tranche d'âge, le cadre des visites, et la saison de la grippe la relation d'avance-décalage entre les visites médicales ambulatoires pour le syndrome d'allure grippale (SAG) et les hospitalisations pour la pneumonie et la grippe. Pour ce faire, nous avons appliqué la méthodologie des modèles d'ARIMA et calculé la fonction de contre-corrélation (CCF) avec les résidus. Les visites communautaires reliée au SAG par des enfants âgés de 5-17 ans ont eu tendance à pourvoir les plus grandes avances (au moins 2 semaines, mais quelques fois jusqu'à 3 semaines) contre des hospitalisations pour la pneumonie et la grippe. Les avances ont varié chaque année, peut-être à cause de la circulation des souches différentes chaque saison. Ces résultats ont des implications importantes pour la surveillance syndromique de la grippe, ainsi que pour des stratégies de lutte contre l'épidémie, comme la vaccination et la fermeture d'écoles.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.059 | 0.222 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".