MétaCan
Menu
Retour à la cohorte
Enregistrement W1997219088 · doi:10.1371/journal.pmed.0050211

The Effect of Universal Influenza Immunization on Mortality and Health Care Use

2008· article· en· W1997219088 sur OpenAlexafffundabout
Jeffrey C. Kwong, Thérèse A. Stukel, Jenny Lim, Allison McGeer, Ross Upshur, Helen Johansen, Christie Sambell, W. Thompson, Deva Thiruchelvam, Fawziah Marra, Lawrence W. Svenson, Douglas G. Manuel

Notice bibliographique

RevuePLoS Medicine · 2008
Typearticle
Langueen
DomaineMedicine
ThématiqueInfluenza Virus Research Studies
Établissements canadiensAlberta HealthUniversity of AlbertaSunnybrook Health Science CentreHealth Sciences CentreMount Sinai HospitalUniversity of CalgaryStatistics CanadaInstitute for Clinical Evaluative SciencesBC Centre for Disease ControlPublic Health OntarioUniversity of Toronto
Organismes subventionnairesPublic Health Agency of Canada
Mots-clésMedicinePoisson regressionDemographyImmunizationInfluenza vaccinePopulationMortality ratePublic healthPneumoniaVaccinationHealth carePediatricsEnvironmental healthImmunologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In 2000, Ontario, Canada, initiated a universal influenza immunization program (UIIP) to provide free influenza vaccines for the entire population aged 6 mo or older. Influenza immunization increased more rapidly in younger age groups in Ontario compared to other Canadian provinces, which all maintained targeted immunization programs. We evaluated the effect of Ontario's UIIP on influenza-associated mortality, hospitalizations, emergency department (ED) use, and visits to doctors' offices. METHODS AND FINDINGS: Mortality and hospitalization data from 1997 to 2004 for all ten Canadian provinces were obtained from national datasets. Physician billing claims for visits to EDs and doctors' offices were obtained from provincial administrative datasets for four provinces with comprehensive data. Since outcomes coded as influenza are known to underestimate the true burden of influenza, we studied more broadly defined conditions. Hospitalizations, ED use, doctors' office visits for pneumonia and influenza, and all-cause mortality from 1997 to 2004 were modelled using Poisson regression, controlling for age, sex, province, influenza surveillance data, and temporal trends, and used to estimate the expected baseline outcome rates in the absence of influenza activity. The primary outcome was then defined as influenza-associated events, or the difference between the observed events and the expected baseline events. Changes in influenza-associated outcome rates before and after UIIP introduction in Ontario were compared to the corresponding changes in other provinces. After UIIP introduction, influenza-associated mortality decreased more in Ontario (relative rate [RR] = 0.26) than in other provinces (RR = 0.43) (ratio of RRs = 0.61, p = 0.002). Similar differences between Ontario and other provinces were observed for influenza-associated hospitalizations (RR = 0.25 versus 0.44, ratio of RRs = 0.58, p < 0.001), ED use (RR = 0.31 versus 0.69, ratio of RRs = 0.45, p < 0.001), and doctors' office visits (RR = 0.21 versus 0.52, ratio of RRs = 0.41, p < 0.001). Sensitivity analyses were carried out to assess consistency, specificity, and the presence of a dose-response relationship. Limitations of this study include the ecological study design, the nonspecific outcomes, difficulty in modeling baseline events, data quality and availability, and the inability to control for potentially important confounders. CONCLUSIONS: Compared to targeted programs in other provinces, introduction of universal vaccination in Ontario in 2000 was associated with relative reductions in influenza-associated mortality and health care use. The results of this large-scale natural experiment suggest that universal vaccination may be an effective public health measure for reducing the annual burden of influenza.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,819
Score d'incertitude au seuil0,364

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,184
Tête enseignante GPT0,426
Écart entre enseignants0,241 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations167
Publié2008
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePLoS MedicineMême sujetInfluenza Virus Research StudiesTravaux en français237 207