在小型哺乳動物模型中評估病毒致病性的研究通常使用攻擊後溫度升高和體重減輕的幅度來量化疾病嚴重程度。然而，對於將連續收集的數據轉換為適合預測模型的特征，還沒有進行嚴格的評估。使用從接種了多種甲型流感病毒（IAV）的雪貂收集的數據，涵蓋了廣泛的臨床結果，我們評估了傳統和新方法總結的體溫和體重減輕的統計相關性和預測性能。傳統的彙總指標（峰值或曲線下面積）與總體疾病嚴重程度和病毒滴度的相關性較弱且不一致。新的動態權重指標在14天內捕獲了發作、持續時間、斜率和波動性，其變異系數低於傳統的彙總方法。然而，納入新的指標並沒有顯著提高機器學習模型對接種IAV的雪貂疾病嚴重程度結果的預測性能。混合效應模型表明，IAV感染後的體重減輕是由時間和病毒負荷驅動的，溫度幾乎沒有提供額外的信息。總的來說，這些發現支持衍生指標至少與體內病原體研究中連續生成的臨床數據的數據科學分析的傳統總結相當，如果不是增強的話。然而，由於哺乳動物的病原體疾病嚴重程度是多因素的，僅依賴體重和溫度指標而沒有宿主內臨床擾動的額外定量指標的模型不太可能實現強大的預測性能。