COVID Seroprevalence, Symptoms and Mortality During the First Wave of SARS-CoV-2 in Canada
Notice bibliographique
Résumé
Abstract Background Efforts to stem Canada’s SARS-CoV-2 pandemic can benefit from direct understanding of the prevalence, infection fatality rates (IFRs), and information on asymptomatic infection. Methods We surveyed a representative sample of 19,994 adult Canadians about COVID symptoms and analyzed IgG antibodies against SARS-CoV-2 from self-collected dried blood spots (DBS) in 8,967 adults. A sensitive and specific chemiluminescence ELISA detected IgG to the spike trimer. We compared seroprevalence to deaths to establish IFRs and used mortality data to estimate infection levels in nursing home residents. Results The best estimate (high specificity) of adult seroprevalence nationally is 1.7%, but as high as 3.5% (high sensitivity) depending on assay cut-offs. The highest prevalence was in Ontario (2.4-3.9%) and in younger adults aged 18-39 years (2.5-4.4%). Based on mortality, we estimated 13-17% of nursing home residents became infected. The first viral wave infected 0.54-1.08 million adult Canadians, half of whom were <40 years old. The IFR outside nursing homes was 0.20-0.40%, but the COVID mortality rate in nursing home residents was >70 times higher than that in comparably-aged adults living in the community. Seropositivity correlated with COVID symptoms, particularly during March. Asymptomatic adults constituted about a quarter of definite seropositives, with a greater proportion in the elderly. Interpretation Canada had relatively low infection prevalence and low IFRs in the community, but not in nursing homes, during the first viral wave. Self-collected DBS for antibody testing is a practicable strategy to monitor the ongoing second viral wave and, eventually, vaccine-induced immunity among Canadian adults.
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 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».