Coronavirus disease 2019 (COVID-19) has rapidly affected mortality worldwide1. There is unprecedented urgency to understand who is most at risk of severe outcomes, and this requires new approaches for the timely analysis of large datasets. Working on behalf of NHS England, we created OpenSAFELY—a secure health analytics platform that covers 40% of all patients in England and holds patient data within the existing data centre of a major vendor of primary care electronic health records. Here we used OpenSAFELY to examine factors associated with COVID-19-related death. Primary care records of 17,278,392 adults were pseudonymously linked to 10,926 COVID-19-related deaths. COVID-19-related death was associated with: being male (hazard ratio (HR) 1.59 (95% confidence interval 1.53–1.65)); greater age and deprivation (both with a strong gradient); diabetes; severe asthma; and various other medical conditions. Compared with people of white ethnicity, Black and South Asian people were at higher risk, even after adjustment for other factors (HR 1.48 (1.29–1.69) and 1.45 (1.32–1.58), respectively). We have quantified a range of clinical factors associated with COVID-19-related death in one of the largest cohort studies on this topic so far. More patient records are rapidly being added to OpenSAFELY, we will update and extend our results regularly. OpenSAFELY, a new health analytics platform that includes data from over 17 million adult NHS patients in England, is used to examine factors associated with COVID-19-related death.

The Clinical Practice Research Datalink (CPRD) is an ongoing primary care database of anonymised medical records from general practitioners, with coverage of over 11.3 million patients from 674 practices in the UK.With 4.4 million active (alive, currently registered) patients meeting quality criteria, approximately 6.9% of the UK population are included and patients are broadly representative of the UK general population in terms of age, sex and ethnicity.General practitioners are the gatekeepers of primary care and specialist referrals in the UK.The CPRD primary care database is therefore a rich source of health data for research, including data on demographics, symptoms, tests, diagnoses, therapies, health-related behaviours and referrals to secondary care.For over half of patients, linkage with datasets from secondary care, disease-specific cohorts and mortality records enhance the range of data available for research.The CPRD is very widely used internationally for epidemiological research and has been used to produce over 1000 research studies, published in peer-reviewed journals across a broad range of health outcomes.However, researchers must be aware of the complexity of routinely collected electronic health records, including ways to manage variable completeness, misclassification and development of disease definitions for research.

BackgroundCOVID-19 has disproportionately affected minority ethnic populations in the UK. Our aim was to quantify ethnic differences in SARS-CoV-2 infection and COVID-19 outcomes during the first and second waves of the COVID-19 pandemic in England.MethodsWe conducted an observational cohort study of adults (aged ≥18 years) registered with primary care practices in England for whom electronic health records were available through the OpenSAFELY platform, and who had at least 1 year of continuous registration at the start of each study period (Feb 1 to Aug 3, 2020 [wave 1], and Sept 1 to Dec 31, 2020 [wave 2]). Individual-level primary care data were linked to data from other sources on the outcomes of interest: SARS-CoV-2 testing and positive test results and COVID-19-related hospital admissions, intensive care unit (ICU) admissions, and death. The exposure was self-reported ethnicity as captured on the primary care record, grouped into five high-level census categories (White, South Asian, Black, other, and mixed) and 16 subcategories across these five categories, as well as an unknown ethnicity category. We used multivariable Cox regression to examine ethnic differences in the outcomes of interest. Models were adjusted for age, sex, deprivation, clinical factors and comorbidities, and household size, with stratification by geographical region.FindingsOf 17 288 532 adults included in the study (excluding care home residents), 10 877 978 (62·9%) were White, 1 025 319 (5·9%) were South Asian, 340 912 (2·0%) were Black, 170 484 (1·0%) were of mixed ethnicity, 320 788 (1·9%) were of other ethnicity, and 4 553 051 (26·3%) were of unknown ethnicity. In wave 1, the likelihood of being tested for SARS-CoV-2 infection was slightly higher in the South Asian group (adjusted hazard ratio 1·08 [95% CI 1·07–1·09]), Black group (1·08 [1·06–1·09]), and mixed ethnicity group (1·04 [1·02–1·05]) and was decreased in the other ethnicity group (0·77 [0·76–0·78]) relative to the White group. The risk of testing positive for SARS-CoV-2 infection was higher in the South Asian group (1·99 [1·94–2·04]), Black group (1·69 [1·62–1·77]), mixed ethnicity group (1·49 [1·39–1·59]), and other ethnicity group (1·20 [1·14–1·28]). Compared with the White group, the four remaining high-level ethnic groups had an increased risk of COVID-19-related hospitalisation (South Asian group 1·48 [1·41–1·55], Black group 1·78 [1·67–1·90], mixed ethnicity group 1·63 [1·45–1·83], other ethnicity group 1·54 [1·41–1·69]), COVID-19-related ICU admission (2·18 [1·92–2·48], 3·12 [2·65–3·67], 2·96 [2·26–3·87], 3·18 [2·58–3·93]), and death (1·26 [1·15–1·37], 1·51 [1·31–1·71], 1·41 [1·11–1·81], 1·22 [1·00–1·48]). In wave 2, the risks of hospitalisation, ICU admission, and death relative to the White group were increased in the South Asian group but attenuated for the Black group compared with these risks in wave 1. Disaggregation into 16 ethnicity groups showed important heterogeneity within the five broader categories.InterpretationSome minority ethnic populations in England have excess risks of testing positive for SARS-CoV-2 and of adverse COVID-19 outcomes compared with the White population, even after accounting for differences in sociodemographic, clinical, and household characteristics. Causes are likely to be multifactorial, and delineating the exact mechanisms is crucial. Tackling ethnic inequalities will require action across many fronts, including reducing structural inequalities, addressing barriers to equitable care, and improving uptake of testing and vaccination.FundingMedical Research Council.

BackgroundEthnicity recording across the National Health Service (NHS) has improved dramatically over the past decade. This study profiles the completeness, consistency and representativeness of routinely collected ethnicity data in both primary care and hospital settings.

Abstract The frequency of, and risk factors for, long COVID are unclear among community-based individuals with a history of COVID-19. To elucidate the burden and possible causes of long COVID in the community, we coordinated analyses of survey data from 6907 individuals with self-reported COVID-19 from 10 UK longitudinal study (LS) samples and 1.1 million individuals with COVID-19 diagnostic codes in electronic healthcare records (EHR) collected by spring 2021. Proportions of presumed COVID-19 cases in LS reporting any symptoms for 12+ weeks ranged from 7.8% and 17% (with 1.2 to 4.8% reporting debilitating symptoms). Increasing age, female sex, white ethnicity, poor pre-pandemic general and mental health, overweight/obesity, and asthma were associated with prolonged symptoms in both LS and EHR data, but findings for other factors, such as cardio-metabolic parameters, were inconclusive.

Objectives UK Biobank is a UK-wide cohort of 502,655 people aged 40–69, recruited from National Health Service registrants between 2006–10, with healthcare data linkage. Type 2 diabetes is a key exposure and outcome. We developed algorithms to define prevalent and incident diabetes for UK Biobank. The algorithms will be implemented by UK Biobank and their results made available to researchers on request. Methods We used UK Biobank self-reported medical history and medication to assign prevalent diabetes and type, and tested this against linked primary and secondary care data in Welsh UK Biobank participants. Additionally, we derived and tested algorithms for incident diabetes using linked primary and secondary care data in the English Clinical Practice Research Datalink, and ran these on secondary care data in UK Biobank. Results and Significance For prevalent diabetes, 0.001% and 0.002% of people classified as “diabetes unlikely” in UK Biobank had evidence of diabetes in their primary or secondary care record respectively. Of those classified as “probable” type 2 diabetes, 75% and 96% had specific type 2 diabetes codes in their primary and secondary care records. For incidence, 95% of people with the type 2 diabetes-specific C10F Read code in primary care had corroborative evidence of diabetes from medications, blood testing or diabetes specific process of care codes. Only 41% of people identified with type 2 diabetes in primary care had secondary care evidence of type 2 diabetes. In contrast, of incident cases using ICD-10 type 2 diabetes specific codes in secondary care, 77% had corroborative evidence of diabetes in primary care. We suggest our definition of prevalent diabetes from UK Biobank baseline data has external validity, and recommend that specific primary care Read codes should be used for incident diabetes to ensure precision. Secondary care data should be used for incident diabetes with caution, as around half of all cases are missed, and a quarter have no corroborative evidence of diabetes in primary care.

BackgroundThere are concerns that the response to the COVID-19 pandemic in the UK might have worsened physical and mental health, and reduced use of health services. However, the scale of the problem is unquantified, impeding development of effective mitigations. We aimed to ascertain what has happened to general practice contacts for acute physical and mental health outcomes during the pandemic.MethodsUsing de-identified electronic health records from the Clinical Research Practice Datalink (CPRD) Aurum (covering 13% of the UK population), between 2017 and 2020, we calculated weekly primary care contacts for selected acute physical and mental health conditions: anxiety, depression, self-harm (fatal and non-fatal), severe mental illness, eating disorder, obsessive-compulsive disorder, acute alcohol-related events, asthma exacerbation, chronic obstructive pulmonary disease exacerbation, acute cardiovascular events (cerebrovascular accident, heart failure, myocardial infarction, transient ischaemic attacks, unstable angina, and venous thromboembolism), and diabetic emergency. Primary care contacts included remote and face-to-face consultations, diagnoses from hospital discharge letters, and secondary care referrals, and conditions were identified through primary care records for diagnoses, symptoms, and prescribing. Our overall study population included individuals aged 11 years or older who had at least 1 year of registration with practices contributing to CPRD Aurum in the specified period, but denominator populations varied depending on the condition being analysed. We used an interrupted time-series analysis to formally quantify changes in conditions after the introduction of population-wide restrictions (defined as March 29, 2020) compared with the period before their introduction (defined as Jan 1, 2017 to March 7, 2020), with data excluded for an adjustment-to-restrictions period (March 8–28).FindingsThe overall population included 9 863 903 individuals on Jan 1, 2017, and increased to 10 226 939 by Jan 1, 2020. Primary care contacts for almost all conditions dropped considerably after the introduction of population-wide restrictions. The largest reductions were observed for contacts for diabetic emergencies (odds ratio 0·35 [95% CI 0·25–0·50]), depression (0·53 [0·52–0·53]), and self-harm (0·56 [0·54–0·58]). In the interrupted time-series analysis, with the exception of acute alcohol-related events (0·98 [0·89–1·10]), there was evidence of a reduction in contacts for all conditions (anxiety 0·67 [0·66–0·67], eating disorders 0·62 [0·59–0·66], obsessive-compulsive disorder [0·69 [0·64–0·74]], self-harm 0·56 [0·54–0·58], severe mental illness 0·80 [0·78–0·83], stroke 0·59 [0·56–0·62], transient ischaemic attack 0·63 [0·58–0·67], heart failure 0·62 [0·60–0·64], myocardial infarction 0·72 [0·68–0·77], unstable angina 0·72 [0·60–0·87], venous thromboembolism 0·94 [0·90–0·99], and asthma exacerbation 0·88 [0·86–0·90]). By July, 2020, except for unstable angina and acute alcohol-related events, contacts for all conditions had not recovered to pre-lockdown levels.InterpretationThere were substantial reductions in primary care contacts for acute physical and mental conditions following the introduction of restrictions, with limited recovery by July, 2020. Further research is needed to ascertain whether these reductions reflect changes in disease frequency or missed opportunities for care. Maintaining health-care access should be a key priority in future public health planning, including further restrictions. The conditions we studied are sufficiently severe that any unmet need will have substantial ramifications for the people with the conditions as well as health-care provision.FundingWellcome Trust Senior Fellowship, Health Data Research UK.

BackgroundEarly descriptions of patients admitted to hospital during the COVID-19 pandemic showed a lower prevalence of asthma and chronic obstructive pulmonary disease (COPD) than would be expected for an acute respiratory disease like COVID-19, leading to speculation that inhaled corticosteroids (ICSs) might protect against infection with severe acute respiratory syndrome coronavirus 2 or the development of serious sequelae. We assessed the association between ICS and COVID-19-related death among people with COPD or asthma using linked electronic health records (EHRs) in England, UK.MethodsIn this observational study, we analysed patient-level data for people with COPD or asthma from primary care EHRs linked with death data from the Office of National Statistics using the OpenSAFELY platform. The index date (start of follow-up) for both cohorts was March 1, 2020; follow-up lasted until May 6, 2020. For the COPD cohort, individuals were eligible if they were aged 35 years or older, had COPD, were a current or former smoker, and were prescribed an ICS or long-acting β agonist plus long-acting muscarinic antagonist (LABA–LAMA) as combination therapy within the 4 months before the index date. For the asthma cohort, individuals were eligible if they were aged 18 years or older, had been diagnosed with asthma within 3 years of the index date, and were prescribed an ICS or short-acting β agonist (SABA) only within the 4 months before the index date. We compared the outcome of COVID-19-related death between people prescribed an ICS and those prescribed alternative respiratory medications: ICSs versus LABA–LAMA for the COPD cohort, and low-dose or medium-dose and high-dose ICSs versus SABAs only in the asthma cohort. We used Cox regression models to estimate hazard ratios (HRs) and 95% CIs for the association between exposure categories and the outcome in each population, adjusted for age, sex, and all other prespecified covariates. We calculated e-values to quantify the effect of unmeasured confounding on our results.FindingsWe identified 148 557 people with COPD and 818 490 people with asthma who were given relevant respiratory medications in the 4 months before the index date. People with COPD who were prescribed ICSs were at increased risk of COVID-19-related death compared with those prescribed LABA–LAMA combinations (adjusted HR 1·39 [95% CI 1·10–1·76]). Compared with those prescribed SABAs only, people with asthma who were prescribed high-dose ICS were at an increased risk of death (1·55 [1·10–2·18]), whereas those given a low or medium dose were not (1·14 [0·85–1·54]). Sensitivity analyses showed that the apparent harmful association we observed could be explained by relatively small health differences between people prescribed ICS and those not prescribed ICS that were not recorded in the database (e value lower 95% CI 1·43).InterpretationOur results do not support a major role for regular ICS use in protecting against COVID-19-related death among people with asthma or COPD. Observed increased risks of COVID-19-related death can be plausibly explained by unmeasured confounding due to disease severity.FundingUK Medical Research Council.

BackgroundTo effectively prevent, detect, and treat health conditions that affect people during their lifecourse, health-care professionals and researchers need to know which sections of the population are susceptible to which health conditions and at which ages. Hence, we aimed to map the course of human health by identifying the 50 most common health conditions in each decade of life and estimating the median age at first diagnosis.MethodsWe developed phenotyping algorithms and codelists for physical and mental health conditions that involve intensive use of health-care resources. Individuals older than 1 year were included in the study if their primary-care and hospital-admission records met research standards set by the Clinical Practice Research Datalink and they had been registered in a general practice in England contributing up-to-standard data for at least 1 year during the study period. We used linked records of individuals from the CALIBER platform to calculate the sex-standardised cumulative incidence for these conditions by 10-year age groups between April 1, 2010, and March 31, 2015. We also derived the median age at diagnosis and prevalence estimates stratified by age, sex, and ethnicity (black, white, south Asian) over the study period from the primary-care and secondary-care records of patients.FindingsWe developed case definitions for 308 disease phenotypes. We used records of 2 784 138 patients for the calculation of cumulative incidence and of 3 872 451 patients for the calculation of period prevalence and median age at diagnosis of these conditions. Conditions that first gained prominence at key stages of life were: atopic conditions and infections that led to hospital admission in children (<10 years); acne and menstrual disorders in the teenage years (10–19 years); mental health conditions, obesity, and migraine in individuals aged 20–29 years; soft-tissue disorders and gastro-oesophageal reflux disease in individuals aged 30–39 years; dyslipidaemia, hypertension, and erectile dysfunction in individuals aged 40–59 years; cancer, osteoarthritis, benign prostatic hyperplasia, cataract, diverticular disease, type 2 diabetes, and deafness in individuals aged 60–79 years; and atrial fibrillation, dementia, acute and chronic kidney disease, heart failure, ischaemic heart disease, anaemia, and osteoporosis in individuals aged 80 years or older. Black or south-Asian individuals were diagnosed earlier than white individuals for 258 (84%) of the 308 conditions. Bone fractures and atopic conditions were recorded earlier in male individuals, whereas female individuals were diagnosed at younger ages with nutritional anaemias, tubulointerstitial nephritis, and urinary disorders.InterpretationWe have produced the first chronological map of human health with cumulative-incidence and period-prevalence estimates for multiple morbidities in parallel from birth to advanced age. This can guide clinicians, policy makers, and researchers on how to formulate differential diagnoses, allocate resources, and target research priorities on the basis of the knowledge of who gets which diseases when. We have published our phenotyping algorithms on the CALIBER open-access Portal which will facilitate future research by providing a curated list of reusable case definitions.FundingWellcome Trust, National Institute for Health Research, Medical Research Council, Arthritis Research UK, British Heart Foundation, Cancer Research UK, Chief Scientist Office of the Scottish Government Health and Social Care Directorates, Department of Health and Social Care (England), Health and Social Care Research and Development Division (Welsh Government), Public Health Agency (Northern Ireland), Economic and Social Research Council, Engineering and Physical Sciences Research Council, National Institute for Social Care and Health Research, and The Alan Turing Institute.

Abstract Electronic health records (EHRs) and other administrative health data are increasingly used in research to generate evidence on the effectiveness, safety, and utilisation of medical products and services, and to inform public health guidance and policy. Reproducibility is a fundamental step for research credibility and promotes trust in evidence generated from EHRs. At present, ensuring research using EHRs is reproducible can be challenging for researchers. Research software platforms can provide technical solutions to enhance the reproducibility of research conducted using EHRs. In response to the COVID‐19 pandemic, we developed the secure, transparent, analytic open‐source software platform OpenSAFELY designed with reproducible research in mind. OpenSAFELY mitigates common barriers to reproducible research by: standardising key workflows around data preparation; removing barriers to code‐sharing in secure analysis environments; enforcing public sharing of programming code and codelists; ensuring the same computational environment is used everywhere; integrating new and existing tools that encourage and enable the use of reproducible working practices; and providing an audit trail for all code that is run against the real data to increase transparency. This paper describes OpenSAFELY's reproducibility‐by‐design approach in detail.