The impact of aggregating serogroups in dynamic models of Neisseria meningitidis transmission
Notice bibliographique
Résumé
BACKGROUND: Neisseria meningitidis (Nm) is a pathogen of multiple serogroups that is highly prevalent in many populations. Serogroups associated with invasive meningococcal disease (IMD) in Canada, for example, include A, B, C, W-135, X and Y. IMD is a rare but serious outcome of Nm infection, and can be prevented with vaccines that target certain serogroups. This has stimulated the development of dynamic models to evaluate vaccine impact. However, these models typically aggregate the various Nm serogroups into a small number of combined groups, instead of modelling each serogroup individually. The impact of aggregation on dynamic Nm model predictions is poorly understood. Our objective was to explore the impact of aggregation on dynamic model predictions. METHODS: We developed two age-structured agent-based models--a 2-strain model and a 4-strain model--to simulate vaccination programs in the Canadian setting. The 2-strain model was used to explore two different groupings: C, versus all other serogroups combined; and B, versus all other serogroups combined. The 4-strain model used the four groupings: C, B, Neisseria lactamica, versus all other serogroups combined. We compared the predicted impact of monovalent C vaccine, quadrivalent ACWY vaccine (MCV-4), and monovalent B vaccine (4CMenB) on the prevalence of serogroup carriage under these different models. RESULTS: The 2-strain and 4-strain models predicted similar overall impacts of vaccines on carriage prevalence, especially with respect to the vaccine-targeted serogroups. However, there were some significant quantitative and qualitative differences. Declines in vaccine-targeted serogroups were more rapid in the 2-strain model than the 4-strain model, for both the C and the 4CMenB vaccines. Sustained oscillations, and evidence for multiple attractors (i.e., different types of dynamics for the same model parameters but different initial conditions), occurred in the 4-strain model but not the 2-strain model. Strain replacement was also more pronounced in the 4-strain model, on account of the 4-strain model spreading prevalence more thinly across groups and thus enhancing competitive interactions. CONCLUSIONS: Simplifying assumptions like aggregation of serogroups can have significant impacts on dynamic model predictions. Modellers should carefully weigh the advantages and disadvantages of aggregation when formulating models for multi-strain pathogens.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».