Distribution of Serotypes Causing Invasive Pneumococcal Disease in Children From High-Income Countries and the Impact of Pediatric Pneumococcal Vaccination
Notice bibliographique
Résumé
BACKGROUND: The introduction and adoption of pneumococcal conjugate vaccines (PCVs) into pediatric national immunization programs (NIPs) has led to large decreases in invasive pneumococcal disease (IPD) incidence caused by vaccine serotypes. Despite these reductions, the global IPD burden in children remains significant. METHODS: We collected serotype-specific IPD data from surveillance systems or hospital networks of all 30 high-income countries that met inclusion criteria. Data sources included online databases, surveillance system reports, and peer-reviewed literature. Percentage of serotyped cases covered were calculated for all countries combined and by PCV type in the pediatric NIP. RESULTS: We identified 8012 serotyped IPD cases in children <5 or ≤5 years old. PCV13 serotype IPD caused 37.4% of total IPD cases, including 57.1% and 25.2% for countries with PCV10 or PCV13 in the pediatric NIP, respectively, most commonly due to serotypes 3 and 19A (11.4% and 13.3%, respectively, across all countries). In PCV10 countries, PCV15 and PCV20 would cover an additional 45.1% and 55.6% of IPD beyond serotypes contained in PCV10, largely due to coverage of serotype 19A. In PCV13 countries, PCV15 and PCV20 would cover an additional 10.6% and 38.2% of IPD beyond serotypes contained in PCV13. The most common IPD serotypes covered by higher valency PCVs were 10A (5.2%), 12F (5.1%), and 22F and 33F (3.5% each). CONCLUSIONS: Much of the remaining IPD burden is due to serotypes included in PCV15 and PCV20. The inclusion of these next generation PCVs into existing pediatric NIPs may further reduce the incidence of childhood IPD.
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 | 0,000 | 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 | 0,000 |
| 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 ».