Vaccinating to Protect a Vulnerable Subpopulation
Notice bibliographique
Résumé
BACKGROUND: Epidemic influenza causes serious mortality and morbidity in temperate countries each winter. Research suggests that schoolchildren are critical in the spread of influenza virus, while the elderly and the very young are most vulnerable to the disease. Under these conditions, it is unclear how best to focus prevention efforts in order to protect the population. Here we investigate the question of how to protect a population against a disease when one group is particularly effective at spreading disease and another group is more vulnerable to the effects of the disease. METHODS AND FINDINGS: We developed a simple mathematical model of an epidemic that includes assortative mixing between groups of hosts. We evaluate the impact of different vaccine allocation strategies across a wide range of parameter values. With this model we demonstrate that the optimal vaccination strategy is extremely sensitive to the assortativity of population mixing, as well as to the reproductive number of the disease in each group. Small differences in parameter values can change the best vaccination strategy from one focused on the most vulnerable individuals to one focused on the most transmissive individuals. CONCLUSIONS: Given the limited amount of information about relevant parameters, we suggest that changes in vaccination strategy, while potentially promising, should be approached with caution. In particular, we find that, while switching vaccine to more active groups may protect vulnerable groups in many cases, switching too much vaccine, or switching vaccine under slightly different conditions, may lead to large increases in disease in the vulnerable group. This outcome is more likely when vaccine limitation is stringent, when mixing is highly structured, or when transmission levels are high.
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 | 0,003 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».