SARS-CoV-2 infection in Africa: A systematic review and meta-analysis of standardised seroprevalence studies, from January 2020 to December 2021
Notice bibliographique
Résumé
Abstract Introduction Estimating COVID-19 cumulative incidence in Africa remains problematic due to challenges in contact tracing, routine surveillance systems and laboratory testing capacities and strategies. We undertook a meta-analysis of population-based seroprevalence studies to estimate SARS-CoV-2 seroprevalence in Africa to inform evidence-based decision making on Public Health and Social Measures (PHSM) and vaccine strategy. Methods We searched for seroprevalence studies conducted in Africa published 01-01-2020 to 30-12-2021 in Medline, Embase, Web of Science, and Europe PMC (preprints), grey literature, media releases and early results from WHO Unity studies. All studies were screened, extracted, assessed for risk of bias and evaluated for alignment with the WHO Unity protocol for seroepidemiological investigations. We conducted descriptive analyses of seroprevalence and meta-analysed seroprevalence differences by demographic groups, place and time. We estimated the extent of undetected infections by comparing seroprevalence and cumulative incidence of confirmed cases reported to WHO. PROSPERO: CRD42020183634. Results We identified 54 full texts or early results, reporting 151 distinct seroprevalence studies in Africa Of these, 95 (63%) were low/moderate risk of bias studies. SARS-CoV-2 seroprevalence rose from 3.0% [95% CI: 1.0-9.2%] in Q2 2020 to 65.1% [95% CI: 56.3-73.0%] in Q3 2021. The ratios of seroprevalence from infection to cumulative incidence of confirmed cases was large (overall: 97:1, ranging from 10:1 to 958:1) and steady over time. Seroprevalence was highly heterogeneous both within countries - urban vs. rural (lower seroprevalence for rural geographic areas), children vs. adults (children aged 0-9 years had the lowest seroprevalence) - and between countries and African sub-regions (Middle, Western and Eastern Africa associated with higher seroprevalence). Conclusion We report high seroprevalence in Africa suggesting greater population exposure to SARS-CoV-2 and protection against COVID-19 disease than indicated by surveillance data. As seroprevalence was heterogeneous, targeted PHSM and vaccination strategies need to be tailored to local epidemiological situations.
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 | 0,023 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,020 | 0,033 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».