使用病人数据集跟踪COVID-19

获取COVID-19案例的精确图解在整个大流行病中构成重大挑战测试方法变化和偏差高风险组可能偏差结果Amy Hou博士、Geneveve Pang博士和美国毛伊区卫生局夏威夷州卫生局Lorrin Pang博士建议新式方法估计本地COVID-19接受例行程序保健环境检查的病人不论风险程度高低均接受COVID-19测试泛型个人群可能为COVID-19趋势提供强健标识组,减少报告偏差并提供可靠数据为公共卫生干预提供信息和监测

自全球COVID-19大流行以来,已有近5.5亿确认病例,由SARS-COV-2病毒引起快速传播和病毒菌株的持续演化对跟踪该疾病的真正流行提出了重大挑战

此外,我们测试COVID-19的方式正在适应和改变,因为更多人了解病毒并获取新技术不同国家和政府使用不同的测试报告系统,几乎无法比较COVID-19感染水平

部分测试方法还可能导致偏差举例说,在大流行病开始时,向高风险个人提供数量有限的测试包,如保健工作者和接触已知病毒案例的个人其本身产生更多积极结果,不大可能准确表示更多人COVID-19案例

不同国家和政府使用不同的测试报告系统,几乎无法比较COVID-19感染水平

夏威夷州卫生局研究者解释道,随着诊断测试的提供范围不断扩大,COVID-19案例似乎在下降。尚不清楚这是否准确观察或是否包含低风险个人可降低总体平均阳性案例数Amy Hou博士、Geneveve Pang博士和Lorrin Pang博士也指出,家庭测试包常常被排除在报告案例之外。

总体而言,COVID-19估计流行度中偏差源自这些频繁变化的高危险人群可能导致误差结论和差强人意公共卫生管理COVID-19政策

减少偏差

先前的研究已经探索了这样一种思想,即大量随机选择个人必须跟踪准确确定社区内COVID-19基准流行率在实践中,往往难以实现这一点,因为某些人口结构可能更可能参与研究并偏向结果

研究团队建议新颖方法消除许多可偏向因素报告COVID-19流行率确定一组个人需要在选取程序或操作前例行COVID-19筛选,称为程序前或术前组此类病人受非COVID-19条件的折磨,既不积极也不负偏差。本组无法选择或退出测试并覆盖广大高低风险个人

研究者得出结论说,该程序前分组很可能更好地代表随机测试法,该方法不大可能随时间而发生巨变。表示该群组可提供强效代号随机跟踪社区内感染率此外,许多医疗设施已经掌握大量病人的信息,允许回溯分析COVID-19比例随时间推移

程序前测试

Hou和同事访问美夏威夷岛毛伊医疗团收集的现有病人数据MMG病人群约35,000-40000人,占全岛人口的20-25%

数据包括从2020年5月至2021年3月收集的12 640COVID-19测试结果研究人员还获取病人年龄和性别信息以及测试理由程序前分组中掉入者是先要求COVID-19测试后按例程序处理的个人,包括臀部或膝盖替换、内镜或普通外科外科,如胆囊清除

使用这些数据,结果分小数组,以更好地了解特定群组如何对总体报告COVID-19案例作出贡献高报告COVID-19率主要归结为表征病人或最近出国者数目增加

结果显示,大多数病人接受COVID-19测试,因为这是医学程序前的要求其他人有COVID-19症状或接触染病者

在此期间,研究人员得出结论说,约0.1%的程序前分组测试COVID-19阳性与3.9%有症状和4.2%接触已知COVID-19阳性案例的个人形成对比整体而言,约2%学习人口测试结果阳性

程序前组含有较少阳性测试结果,尽管阳性测试结果数随时间推移而增加,而不管哪个组接受检验。研究者解释程序前分组可能显示不同模式,而选择高风险病人子集(有COVID-19症状或已知接触)则有正COVID-19偏差程序前分组提供样本群,减少偏差,但随时间推移仍显示相同趋势,允许可靠跟踪COVID-19流行率

程序前分组可提供强效代号跟踪社区内感染率

程序前群组遍及非急性病患者范围之广,但可以推断,从保健环境接收信息的任何个人都更有可能老化,来自较低社会经济背景或有其他生理、心理或社会复杂症呼和同事确认这些病人在与他人会面或离家时可能更加谨慎,测试显示,模拟报告数据时可能需要校正因子和调整来说明这一点。

CoVID-19趋势强标群

真正随机采样标准消除偏差估计社区COVID-19率样本类型不可行,因为它通常需要数月收集,而COVID-19日率变化Hou和同事为监测一段时间内感染趋势提供了一种有吸引力的方法研究者认为程序前分组可成为随机分组的强健标志并提供对社区大类更具代表性子集的重要洞察力

有趣的是,这一发现与建议测试的其他研究形成反差应侧重于较高风险组夏威夷州卫生局研究者强调低风险和高风险人群COVID-19估计流行率大相径庭,这意味着我们可能无法真正了解感染率目标测试高风险者有效策略控制COVID-19暴发,但不描述背景率(又称隐型流行率)。包括范围更广的个人选择,而不仅仅是那些更有可能测试COVID-19阳性者选择提高数据集的精度

纵向数据采集对跟踪COVID-19案例在较长时间段很重要精确跟踪本地真感染率对评估公共卫生干预效果至关重要精确率也是关键,以监测在快速生成COVID-19新变异条件下毒理学、可传播性和严重程度趋势

更多了解COVID-19感染动态有助于预测COVID-19下位变异或其他受感染者如何传播,从而鼓励早期干预并降低疾病和死亡率数据库还突出常用不足的人口群,供未来用于类似数据采集分析使用。