BackgroundThe medical, societal, and economic impact of the coronavirus disease 2019 (COVID-19) pandemic has unknown effects on overall population mortality. Previous models of population mortality are based on death over days among infected people, nearly all of whom thus far have underlying conditions. Models have not incorporated information on high-risk conditions or their longer-term baseline (pre-COVID-19) mortality. We estimated the excess number of deaths over 1 year under different COVID-19 incidence scenarios based on varying levels of transmission suppression and differing mortality impacts based on different relative risks for the disease.MethodsIn this population-based cohort study, we used linked primary and secondary care electronic health records from England (Health Data Research UK–CALIBER). We report prevalence of underlying conditions defined by Public Health England guidelines (from March 16, 2020) in individuals aged 30 years or older registered with a practice between 1997 and 2017, using validated, openly available phenotypes for each condition. We estimated 1-year mortality in each condition, developing simple models (and a tool for calculation) of excess COVID-19-related deaths, assuming relative impact (as relative risks [RRs]) of the COVID-19 pandemic (compared with background mortality) of 1·5, 2·0, and 3·0 at differing infection rate scenarios, including full suppression (0·001%), partial suppression (1%), mitigation (10%), and do nothing (80%). We also developed an online, public, prototype risk calculator for excess death estimation.FindingsWe included 3 862 012 individuals (1 957 935 [50·7%] women and 1 904 077 [49·3%] men). We estimated that more than 20% of the study population are in the high-risk category, of whom 13·7% were older than 70 years and 6·3% were aged 70 years or younger with at least one underlying condition. 1-year mortality in the high-risk population was estimated to be 4·46% (95% CI 4·41–4·51). Age and underlying conditions combined to influence background risk, varying markedly across conditions. In a full suppression scenario in the UK population, we estimated that there would be two excess deaths (vs baseline deaths) with an RR of 1·5, four with an RR of 2·0, and seven with an RR of 3·0. In a mitigation scenario, we estimated 18 374 excess deaths with an RR of 1·5, 36 749 with an RR of 2·0, and 73 498 with an RR of 3·0. In a do nothing scenario, we estimated 146 996 excess deaths with an RR of 1·5, 293 991 with an RR of 2·0, and 587 982 with an RR of 3·0.InterpretationWe provide policy makers, researchers, and the public a simple model and an online tool for understanding excess mortality over 1 year from the COVID-19 pandemic, based on age, sex, and underlying condition-specific estimates. These results signal the need for sustained stringent suppression measures as well as sustained efforts to target those at highest risk because of underlying conditions with a range of preventive interventions. Countries should assess the overall (direct and indirect) effects of the pandemic on excess mortality.FundingNational Institute for Health Research University College London Hospitals Biomedical Research Centre, Health Data Research UK.

Small studies suggest peanut oral immunotherapy (OIT) might be effective in the treatment of peanut allergy. We aimed to establish the efficacy of OIT for the desensitisation of children with allergy to peanuts.We did a randomised controlled crossover trial to compare the efficacy of active OIT (using characterised peanut flour; protein doses of 2-800 mg/day) with control (peanut avoidance, the present standard of care) at the NIHR/Wellcome Trust Cambridge Clinical Research Facility (Cambridge, UK). Randomisation (1:1) was by use of an audited online system; group allocation was not masked. Eligible participants were aged 7-16 years with an immediate hypersensitivity reaction after peanut ingestion, positive skin prick test to peanuts, and positive by double-blind placebo-controlled food challenge (DBPCFC). We excluded participants if they had a major chronic illness, if the care provider or a present household member had suspected or diagnosed allergy to peanuts, or if there was an unwillingness or inability to comply with study procedures. Our primary outcome was desensitisation, defined as negative peanut challenge (1400 mg protein in DBPCFC) at 6 months (first phase). Control participants underwent OIT during the second phase, with subsequent DBPCFC. Immunological parameters and disease-specific quality-of-life scores were measured. Analysis was by intention to treat. Fisher's exact test was used to compare the proportion of those with desensitisation to peanut after 6 months between the active and control group at the end of the first phase. This trial is registered with Current Controlled Trials, number ISRCTN62416244.The primary outcome, desensitisation, was recorded for 62% (24 of 39 participants; 95% CI 45-78) in the active group and none of the control group after the first phase (0 of 46; 95% CI 0-9; p<0·001). 84% (95% CI 70-93) of the active group tolerated daily ingestion of 800 mg protein (equivalent to roughly five peanuts). Median increase in peanut threshold after OIT was 1345 mg (range 45-1400; p<0·001) or 25·5 times (range 1·82-280; p<0·001). After the second phase, 54% (95% CI 35-72) tolerated 1400 mg challenge (equivalent to roughly ten peanuts) and 91% (79-98) tolerated daily ingestion of 800 mg protein. Quality-of-life scores improved (decreased) after OIT (median change -1·61; p<0·001). Side-effects were mild in most participants. Gastrointestinal symptoms were, collectively, most common (31 participants with nausea, 31 with vomiting, and one with diarrhoea), then oral pruritus after 6·3% of doses (76 participants) and wheeze after 0·41% of doses (21 participants). Intramuscular adrenaline was used after 0·01% of doses (one participant).OIT successfully induced desensitisation in most children within the study population with peanut allergy of any severity, with a clinically meaningful increase in peanut threshold. Quality of life improved after intervention and there was a good safety profile. Immunological changes corresponded with clinical desensitisation. Further studies in wider populations are recommended; peanut OIT should not be done in non-specialist settings, but it is effective and well tolerated in the studied age group.MRC-NIHR partnership.

Objectives To estimate the impact of the COVID-19 pandemic on cancer care services and overall (direct and indirect) excess deaths in people with cancer. Methods We employed near real-time weekly data on cancer care to determine the adverse effect of the pandemic on cancer services. We also used these data, together with national death registrations until June 2020 to model deaths, in excess of background (pre-COVID-19) mortality, in people with cancer. Background mortality risks for 24 cancers with and without COVID-19-relevant comorbidities were obtained from population-based primary care cohort (Clinical Practice Research Datalink) on 3 862 012 adults in England. Results Declines in urgent referrals (median=−70.4%) and chemotherapy attendances (median=−41.5%) to a nadir (lowest point) in the pandemic were observed. By 31 May, these declines have only partially recovered; urgent referrals (median=−44.5%) and chemotherapy attendances (median=−31.2%). There were short-term excess death registrations for cancer (without COVID-19), with peak relative risk (RR) of 1.17 at week ending on 3 April. The peak RR for all-cause deaths was 2.1 from week ending on 17 April. Based on these findings and recent literature, we modelled 40% and 80% of cancer patients being affected by the pandemic in the long-term. At 40% affected, we estimated 1-year total (direct and indirect) excess deaths in people with cancer as between 7165 and 17 910, using RRs of 1.2 and 1.5, respectively, where 78% of excess deaths occured in patients with ≥1 comorbidity. Conclusions Dramatic reductions were detected in the demand for, and supply of, cancer services which have not fully recovered with lockdown easing. These may contribute, over a 1-year time horizon, to substantial excess mortality among people with cancer and multimorbidity. It is urgent to understand how the recovery of general practitioner, oncology and other hospital services might best mitigate these long-term excess mortality risks.

Abstract Background Clinical guidelines and public health authorities lack recommendations on scalable approaches to defining and monitoring the occurrence and severity of bleeding in populations prescribed antithrombotic therapy. We aimed to develop electronic health record algorithms for different bleeding phenotypes, and to determine the incidence, time trends and prognosis of bleeding in patients with incident cardiac disorders indicated for antiplatelet and/or vitamin K antagonist (VKA) therapy. Methods We examined linked primary care, hospital admission and death registry electronic health records (CALIBER 1998-2010, England) of patients with newly diagnosed atrial fibrillation, acute myocardial infarction, unstable angina or stable angina to develop algorithms for bleeding events. Kaplan-Meier plots were used to estimate the incidence of bleeding events and we used Cox regression models to assess prognosis for all-cause mortality, atherothrombotic events and further bleeding following bleeding events. Results We present electronic health record phenotyping algorithms for bleeding based on bleeding diagnosis in primary or hospital care, symptoms, transfusion, surgical procedures, and haemoglobin values. In validation of the phenotype we estimated a positive predictive value of 0.88 (95% Cl: 0.64, 0.99) for hospitalised bleeding. Amongst 128,815 patients, 27259 (21.2%) had at least one bleeding event, with 5 year risks of bleeding of 29.1%, 21.9%, 25.3% and 23.4% following diagnoses of atrial fibrillation, acute myocardial infarction, unstable angina and stable angina respectively. Rates of hospitalised bleeding per 1000 patients more than doubled from 1.02 (95% Cl: 0.83, 1.22) in January 1998 to 2.68 (95% Cl: 2.49, 2.88) in December 2009 coinciding with increased rates of antiplatelet and VKA prescribing. Patients with hospitalised bleeding and primary care bleeding, with or without markers of severity, were at increased risk of all-cause mortality and atherothrombotic events compared to those with no bleeding. For example the hazard ratio for all-cause mortality was 1.98 (95% Cl: 1.86, 2.11) for primary care bleeding with markers of severity, and 1.99 (95% Cl: 1.92, 2.05) for hospitalised bleeding without markers of severity, compared to patients with no bleeding. Conclusions Electronic health record bleeding phenotyping algorithms offer a scalable approach to monitoring bleeding in the population. Incidence of bleeding has doubled in incidence since 1998, affects 1 in 4 cardiac patients, and is associated with poor prognosis. Efforts are required to tackle this iatrogenic epidemic. What is already known? Clinical guidelines and public health authorities lack recommendations on how to define or monitor the occurrence and severity of bleeding in populations. This is particularly important because clinical guidelines increasingly recommend the use of one, two or three antiplatelet and vitamin K antagonist drugs to lower the risk of subsequent atherothrombotic events in common heart diseases including atrial fibrillation, acute coronary syndromes and chronic stable angina. Clinical guidelines lack consistent recommendations of how to reduce the main side effect of bleeding. For acute myocardial infarction it has been shown that combining primary care electronic health records (which include information from hospital discharge summaries) and hospital admission data can generate valid EHR disease phenotypes and provide real-world estimates of disease occurrence. What is not known? It is not known how to define bleeding occurrence and severity in large scale, unselected populations by combining available information on bleeding diagnosis in primary or hospital care, symptoms, transfusion, surgical procedures, and haemoglobin values. The population-based incidence, time trends and long-term prognosis of bleeding have not been evaluated in people with common cardiac disorders. Comparisons of the population burden of bleeding across common cardiac disorders, such as atrial fibrillation, acute coronary syndromes and stable angina, are lacking. What this study adds? Phenotype : We developed standardised replicable EHR phenotyping algorithms defining bleeding and severity measures based on available clinical information across structured primary and hospital care EHR sources. Incidence : At 5 years of follow-up, one in five patients with cardiac disease had a bleeding event and 6.5% had fatal or severe bleeding. Trends : There was approximately a two-fold increase in incidence of primary care and hospitalised bleeding between 1998 and 2010. The rate of fatal bleeding remained stable. Prognosis : Patients with bleeding recorded in primary care or in hospital admissions are at increased bleeding between 1998 and 2010. The rate of fatal bleeding remained stable, risk of all-cause death and atherothrombotic events.

Introduction None of the studies of type 2 diabetes (T2D) subtyping to date have used linked population-level data for incident and prevalent T2D, incorporating a diverse set of variables, explainable methods for cluster characterization, or adhered to an established framework. We aimed to develop and validate machine learning (ML)-informed subtypes for type 2 diabetes mellitus (T2D) using nationally representative data. Research design and methods In population-based electronic health records (2006–2020; Clinical Practice Research Datalink) in individuals ≥18 years with incident T2D (n=420 448), we included factors (n=3787), including demography, history, examination, biomarkers and medications. Using a published framework, we identified subtypes through nine unsupervised ML methods (K-means, K-means++, K-mode, K-prototype, mini-batch, agglomerative hierarchical clustering, Birch, Gaussian mixture models, and consensus clustering). We characterized clusters using intracluster distributions and explainable artificial intelligence (AI) techniques. We evaluated subtypes for (1) internal validity (within dataset; across methods); (2) prognostic validity (prediction for 5-year all-cause mortality, hospitalization and new chronic diseases); and (3) medication burden. Results Development : We identified four T2D subtypes: metabolic, early onset, late onset and cardiometabolic. Internal validity : Subtypes were predicted with high accuracy (F1 score >0.98). Prognostic validity : 5-year all-cause mortality, hospitalization, new chronic disease incidence and medication burden differed across T2D subtypes. Compared with the metabolic subtype, 5-year risks of mortality and hospitalization in incident T2D were highest in late-onset subtype (HR 1.95, 1.85–2.05 and 1.66, 1.58–1.75) and lowest in early-onset subtype (1.18, 1.11–1.27 and 0.85, 0.80–0.90). Incidence of chronic diseases was highest in late-onset subtype and lowest in early-onset subtype. Medications : Compared with the metabolic subtype, after adjusting for age, sex, and pre-T2D medications, late-onset subtype (1.31, 1.28–1.35) and early-onset subtype (0.83, 0.81–0.85) were most and least likely, respectively, to be prescribed medications within 5 years following T2D onset. Conclusions In the largest study using ML to date in incident T2D, we identified four distinct subtypes, with potential future implications for etiology, therapeutics, and risk prediction.

Objective Electronic Health Records (EHR) are a rich source of information on human diseases, but the information is variably structured, fragmented, curated using different coding systems and collected for purposes other than medical research. We describe an approach for developing, validating and sharing reproducible phenotypes from national structured EHR in the United Kingdom (UK) with applications for translational research.Materials and Methods We implemented a rule-based phenotyping framework, with up to six approaches of validation. We applied our framework to a sample of 15 million individuals in a national EHR data source (population-based primary care, all ages) linked to hospitalization and death records in England. Data comprised continuous measurements e.g. blood pressure, medication information and coded diagnoses, symptoms, procedures and referrals, recorded using five controlled clinical terminologies: a) Read (primary care, subset of SNOMED-CT), b) International Classification of Diseases 9th/10th Revision (ICD-9, ICD-10, secondary care diagnoses and cause of mortality), c) OPCS Classification of Interventions and Procedures (OPCS-4, hospital surgical procedures), and d) DM+D prescription codes.Results Using the CALIBER phenotyping framework, we created algorithms for 51 diseases, syndromes, biomarkers and lifestyle risk factors and provide up to six validation approaches. The EHR phenotypes are curated in the open-access CALIBER Portal ( ) and have been used by 40 national/international research groups in 60 peer-reviewed publications.Conclusion We describe a UK EHR phenomics approach within the CALIBER EHR data platform with initial evidence of validity and use, as an important step towards international use of UK EHR data for health research.