Interactions among common non‐SARS‐CoV‐2 respiratory viruses and influence of the COVID‐19 pandemic on their circulation in New York City
Notice bibliographique
Résumé
BACKGROUND: Non-pharmaceutical interventions (NPIs) and voluntary behavioral changes during the COVID-19 pandemic have influenced the circulation of non-SARS-CoV-2 respiratory infections. We aimed to examine interactions among common non-SARS-CoV-2 respiratory virus and further estimate the impact of the COVID-19 pandemic on these viruses. METHODS: We analyzed incidence data for seven groups of respiratory viruses in New York City (NYC) during October 2015 to May 2021 (i.e., before and during the COVID-19 pandemic). We first used elastic net regression to identify potential virus interactions and further examined the robustness of the found interactions by comparing the performance of Seasonal Auto Regressive Integrated Moving Average (SARIMA) models with and without the interactions. We then used the models to compute counterfactual estimates of cumulative incidence and estimate the reduction during the COVID-19 pandemic period from March 2020 to May 2021, for each virus. RESULTS: We identified potential interactions for three endemic human coronaviruses (CoV-NL63, CoV-HKU, and CoV-OC43), parainfluenza (PIV)-1, rhinovirus, and respiratory syncytial virus (RSV). We found significant reductions (by ~70-90%) in cumulative incidence of CoV-OC43, CoV-229E, human metapneumovirus, PIV-2, PIV-4, RSV, and influenza virus during the COVID-19 pandemic. In contrast, the circulation of adenovirus and rhinovirus was less affected. CONCLUSIONS: Circulation of several respiratory viruses has been low during the COVID-19 pandemic, which may lead to increased population susceptibility. It is thus important to enhance monitoring of these viruses and promptly enact measures to mitigate their health impacts (e.g., influenza vaccination campaign and hospital infection prevention) as societies resume normal activities.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».