在小型哺乳动物模型中评估病毒致病性的研究通常使用攻击后温度升高和体重减轻的幅度来量化疾病严重程度。然而，对于将连续收集的数据转换为适合预测模型的特征，还没有进行严格的评估。使用从接种了多种甲型流感病毒（IAV）的雪貂收集的数据，涵盖了广泛的临床结果，我们评估了传统和新方法总结的体温和体重减轻的统计相关性和预测性能。传统的汇总指标（峰值或曲线下面积）与总体疾病严重程度和病毒滴度的相关性较弱且不一致。新的动态权重指标在14天内捕获了发作、持续时间、斜率和波动性，其变异系数低于传统的汇总方法。然而，纳入新的指标并没有显着提高机器学习模型对接种IAV的雪貂疾病严重程度结果的预测性能。混合效应模型表明，IAV感染后的体重减轻是由时间和病毒负荷驱动的，温度几乎没有提供额外的信息。总的来说，这些发现支持衍生指标至少与体内病原体研究中连续生成的临床数据的数据科学分析的传统总结相当，如果不是增强的话。然而，由于哺乳动物的病原体疾病严重程度是多因素的，仅依赖体重和温度指标而没有宿主内临床扰动的额外定量指标的模型不太可能实现强大的预测性能。