1188. The Effect Of The COVID-19 Pandemic On Influenza-Related Hospitalization, Intensive Care Admission And Mortality In Canadian Children
Notice bibliographique
Résumé
Abstract Background The COVID-19 pandemic resulted in unprecedented implementation of wide-ranging public health measures globally. During the pandemic, dramatic decreases in seasonal influenza virus detection have been reported worldwide. Information on pediatric influenza-related hospitalizations is limited. We describe influenza-related hospitalization in Canadian children during the 2020/2021 influenza season compared to ten previous seasons. Methods Data on influenza-related hospitalizations, intensive care unit (ICU) admissions and in-hospital deaths in children across Canada were obtained from the Canadian Immunization Monitoring Program, ACTive (IMPACT). This national surveillance initiative comprises 90% of all tertiary care pediatric beds in Canada. The total study period included eleven influenza seasons from September 2010 to April 2021 inclusive. Time series modelling was used to compare trends in influenza-related hospitalizations during the 2020/2021 season (September 2020 to April 2021 inclusive) with the ten previous seasons. Results During the 2020/2021 influenza season there were no pediatric influenza infection-related hospitalizations. This was a significant decrease compared to the predicted total influenza-related hospitalizations for this period (p< 0.001). No pediatric ICU admission or deaths were reported for the 2020/2021 influenza season. Conclusion We show complete absence of influenza infection-related hospitalization in children in Canada during the 2020/2021 season. This significant decrease is likely related in large part to non-pharmacological public health interventions implemented during the COVID-19 pandemic, although the potential role of viral interference is unknown. Our findings suggest measures such as use of facemasks, hand-washing, distancing and school closures may be beneficial for influenza control and mitigation of future influenza epidemics. Disclosures Helen E. Groves, PhD, MBBCh BAO, Abbvie (Other Financial or Material Support, Dr. Groves reports personal fees from Honoraria received from Abbvie for education meeting presentation, not relevant to the submitted work.) Jesse Papenburg, MD, AbbVie (Grant/Research Support, Other Financial or Material Support, Personal fees)Medimmune (Grant/Research Support)Sanofi Pasteur (Grant/Research Support)Seegene (Grant/Research Support, Other Financial or Material Support, Personal fees) Manish Sadarangani, BM BCh, DPhil, GlaxoSmithKline (Grant/Research Support)Merck (Grant/Research Support)Pfizer (Grant/Research Support)Sanofi Pasteur (Grant/Research Support)Seqirus (Grant/Research Support)Symvivo (Grant/Research Support)VBI Vaccines (Research Grant or Support) Shaun Morris, MD, MPH, DTM&H, FRCPC, FAAP, GSK (Speaker’s Bureau)Pfizer (Advisor or Review Panel member)Pfizer (Grant/Research Support)
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 source (Gemma direct ou Codex distillé), 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 ».