Parameterizing a dynamic influenza model using longitudinal versus age-stratified case notifications yields different predictions of vaccine impacts
Notice bibliographique
Résumé
Dynamic transmission models of influenza are sometimes used in decision-making to identify which vaccination strategies might best reduce influenza-associated health burdens. Our goal was to use laboratory confirmed influenza cases to fit model parameters in an age-structured, two-type (influenza A/B) dynamic model of influenza. We compared the fitted model under two fitting methodologies: using longitudinal weekly case notification data versus using cross-sectional age-stratified cumulative case notification data. The longitudinal data came from a Canadian province (Ontario)whereasthecross-sectionaldatacamefromthenationallevel(allofCanada). Wefindthatthe longitudinal fitting method provides best fitting parameter sets that have a higher variance between the respective parameters in each set than the cross-sectional cumulative case method. Model predictions-particularly for influenza A-are very different for the two fitting methodologies under hypothetical vaccination scenarios that expand coverage in either younger age classes or older age classes: the cross-sectional method predicts much larger decreases in total cases under expanded vaccine coverage than the longitudinal method. Also, the longitudinal method predicts that vaccinating younger age groups yields greater declines in total cases than vaccinating older age groups, whereas the cross- sectional method predicts the opposite. We conclude that model predictions of vaccination impacts under different strategies may differ at national versus provincial levels. Finally, we discuss whether usinglongitudinalversuscross-sectionaldatainmodelfittingmaygeneratefurtherdifferencesinmodel predictions (above and beyond population-specific differences) and how such a hypothesis could be tested in future studies.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».