MétaCan
Menu
Retour à la cohorte
Enregistrement W2508622627 · doi:10.7717/peerj.2337

Evaluation of outbreak response immunization in the control of pertussis using agent-based modeling

2016· article· en· W2508622627 sur OpenAlexaffabout
Alexander Doroshenko, Weicheng Qian, Nathaniel Osgood

Notice bibliographique

RevuePeerJ · 2016
Typearticle
Langueen
DomaineImmunology and Microbiology
ThématiqueBacterial Infections and Vaccines
Établissements canadiensUniversity of SaskatchewanUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésOutbreakImmunizationVaccinationMedicineHerd immunityTransmission (telecommunications)Cumulative incidenceEnvironmental healthImmunologyVirologyCohortAntibodyInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Pertussis control remains a challenge due to recently observed effects of waning immunity to acellular vaccine and suboptimal vaccine coverage. Multiple outbreaks have been reported in different ages worldwide. For certain outbreaks, public health authorities can launch an outbreak response immunization (ORI) campaign to control pertussis spread. We investigated effects of an outbreak response immunization targeting young adolescents in averting pertussis cases. METHODS: We developed an agent-based model for pertussis transmission representing disease mechanism, waning immunity, vaccination schedule and pathogen transmission in a spatially-explicit 500,000-person contact network representing a typical Canadian Public Health district. Parameters were derived from literature and calibration. We used published cumulative incidence and dose-specific vaccine coverage to calibrate the model's epidemiological curves. We endogenized outbreak response by defining thresholds to trigger simulated immunization campaigns in the 10-14 age group offering 80% coverage. We ran paired simulations with and without outbreak response immunization and included those resulting in a single ORI within a 10-year span. We calculated the number of cases averted attributable to outbreak immunization campaign in all ages, in the 10-14 age group and in infants. The count of cases averted were tested using Mann-Whitney U test to determine statistical significance. Numbers needed to vaccinate during immunization campaign to prevent a single case in respective age groups were derived from the model. We varied adult vaccine coverage, waning immunity parameters, immunization campaign eligibility and tested stronger vaccination boosting effect in sensitivity analyses. RESULTS: 189 qualified paired-runs were analyzed. On average, ORI was triggered every 26 years. On a per-run basis, there were an average of 124, 243 and 429 pertussis cases averted across all age groups within 1, 3 and 10 years of a campaign, respectively. During the same time periods, 53, 96, and 163 cases were averted in the 10-14 age group, and 6, 11, 20 in infants under 1 (p < 0.001, all groups). Numbers needed to vaccinate ranged from 49 to 221, from 130 to 519 and from 1,031 to 4,903 for all ages, the 10-14 age group and for infants, respectively. Most sensitivity analyses resulted in minimal impact on a number of cases averted. DISCUSSION: Our model generated 30 years of longitudinal data to evaluate effects of outbreak response immunization in a controlled study. Immunization campaign implemented as an outbreak response measure among adolescents may confer benefits across all ages accruing over a 10-year period. Our inference is dependent on having an outbreak of significant magnitude affecting predominantly the selected age and achieving a comprehensive vaccine coverage during the campaign. Economic evaluations and comparisons with other control measures can add to conclusions generated by our work.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,467
Score d'incertitude au seuil0,212

Scores Codex et Gemma par catégorie

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

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 Opus0,061
Tête enseignante GPT0,309
Écart entre enseignants0,248 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
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

Citations22
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuePeerJMême sujetBacterial Infections and VaccinesTravaux en français237 207