Cohort effects in dynamic models and their impact on vaccination programmes: an example from Hepatitis A
Notice bibliographique
Résumé
BACKGROUND: Infection rates for many infectious diseases have declined over the past century. This has created a cohort effect, whereby older individuals experienced a higher infection rate in their past than younger individuals do now. As a result, age-stratified seroprevalence profiles often differ from what would be expected from constant infection rates. METHODS: Here, we account for the cohort effect by fitting an age-structured compartmental model with declining transmission rates to Hepatitis A seroprevalence data for Canadian-born individuals. We compare the predicted impact of universal vaccination with and without including the cohort effect in the dynamic model. RESULTS: We find that Hepatitis A transmissibility has declined by a factor of 2.8 since the early twentieth century. When the cohort effect is not included in the model, incidence and mortality both with and without vaccination are significantly over-predicted. Incidence (respectively mortality) over a 20 year period of universal vaccination is 34% (respectively 90%) higher than if the cohort effect is included. The percentage reduction in incidence and mortality due to vaccination are also over-predicted when the cohort effect is not included. Similar effects are likely for many other infectious diseases where infection rates have declined significantly over past decades and where immunity is lifelong. CONCLUSION: Failure to account for cohort effects has implications for interpreting seroprevalence data and predicting the impact of vaccination programmes with dynamic models. Cohort effects should be included in dynamic modelling studies whenever applicable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».