Use of a Catalytic Model to Estimate Hepatitis A Incidence in a Low-Endemicity Country
Notice bibliographique
Résumé
BACKGROUND: Evaluating the cost-effectiveness of vaccine programs with dynamic modeling requires accurate estimates of incidence over time. Because infectious diseases are often underreported, supplementary data and statistical analyses are required to estimate true incidence. This study estimates the true incidence of hepatitis A virus (HAV) infection in Canada using a catalytic model. METHODS: A catalytic model was used to reconcile HAV seroprevalence data with the corresponding true cumulative risk of infection estimated from incidence data. RESULTS: The average annual reported incidence was 6.2 cases per 100,000 from 1980 to 1989 and 7.7/100,000 from 1990 to 1999, indicating that Canada is a low-incidence country. The seroprevalence in Canadian-born individuals (n = 7 studies) was approximately 1%-8% in ages <20, 1%-11% in ages 20-29, 7%-29% in ages 30-39, and higher in older age groups. Between 1980 and 1995, the catalytic model estimated an average annual incidence of 60/100,000 (95% confidence interval, 33-524); approximately 7.73 (4.21-67.33) times the average annual reported incidence of 7.78/100,000. For a typical birth cohort of 403 434 Canadians born in 1990, the model predicted 32 750 HAV cases by age 39, with a corresponding seroprevalence of approximately 8.12% by the year 2029. IMPLICATIONS: Reliable estimates of true incidence of infectious disease are required for cost-effectiveness analysis of infectious disease programs. Catalytic models enable the synthesis of dispersed data, quantification of data limitations, and reconciliation of these limitations to estimate true incidence for economic evaluations.
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 | 0,001 | 0,022 |
| 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 ».