A Net Benefit Approach for the Optimal Allocation of a COVID-19 Vaccine
Notice bibliographique
Résumé
Abstract OBJECTIVE We implement a model-based approach to identify the optimal allocation of a COVID-19 vaccine in the province of Alberta, Canada. METHODS We develop an epidemiologic model to evaluate allocation strategies defined by age and risk target groups, coverage, effectiveness, and cost of vaccine. The model simulates hypothetical immunization scenarios within a dynamic context, capturing concurrent public health strategies and population behaviour changes. RESULTS In a scenario with 80% vaccine effectiveness, 40% population coverage, and prioritisation of those over the age of 60 at high-risk of poor outcomes, active cases are reduced by 17% and net monetary benefit increased by $263 million dollars, relative to no vaccine. Concurrent implementation of policies such as school closure and senior contact reductions have similar impacts on incremental net monetary benefit ($352 vs. 292 million, respectively) when there is no prioritisation given to any age or risk group. When older age groups are given priority, the relative benefit of school closures is much larger ($214 vs. 118 million). Results demonstrate that the rank ordering of different prioritisation options varies by prioritisation criteria, vaccine effectiveness and coverage, and concurrently implemented policies. CONCLUSIONS Our results have three implications: (i) optimal vaccine allocation will depend on the public health policies in place at the time of allocation and the impact of those policies on population behaviour; (ii) outcomes of vaccine allocation policies can be greatly supported with interventions targeting contact reduction in critical sub-populations; and (iii) identification of the optimal strategy depends on which outcomes are prioritised.
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 | 0,002 | 0,026 |
| 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 | 0,001 | 0,001 |
| 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 ».