Incorporating Herd Immunity Effects into Cohort Models of Vaccine Cost-Effectiveness
Notice bibliographique
Résumé
BACKGROUND: Cohort models are often used in cost-effectiveness analysis (CEA) of vaccination. However, because they cannot capture herd immunity effects, cohort models underestimate the reduction in incidence caused by vaccination. Dynamic models capture herd immunity effects but are often not adopted in vaccine CEA. OBJECTIVE: The objective was to develop a pseudo-dynamic approximation that can be incorporated into an existing cohort model to capture herd immunity effects. METHODS: The authors approximated changing force of infection due to universal vaccination for a pediatric infectious disease. The projected lifetime cases in a cohort were compared under 1) a cohort model, 2) a cohort model with pseudo-dynamic approximation, and 3) an age-structured susceptible-exposed-infectious-recovered compartmental (dynamic) model. The authors extended the methodology to sexually transmitted infections. RESULTS: For average to high values of vaccine coverage (P > 60%) and small to average values of the basic reproduction number (R(0) < 10), which describes school-based vaccination programs for many common infections, the pseudo-dynamic approximation significantly improved projected lifetime cases and was close to projections of the full dynamic model. For large values of R(0) (R(0) > 15), projected lifetime cases were similar under the dynamic model and the cohort model, both with and without pseudo-dynamic approximation. The approximation captures changes in the mean age at infection in the 1st vaccinated cohort. CONCLUSIONS: This methodology allows for preliminary assessment of herd immunity effects on CEA of universal vaccination for pediatric infectious diseases. The method requires simple adjustments to an existing cohort model and less data than a full dynamic model.
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 | 0,035 | 0,023 |
| 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 | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».