Differential COVID-19 infection rates in children, adults, and elderly: Systematic review and meta-analysis of 38 pre-vaccination national seroprevalence studies
Notice bibliographique
Résumé
Background: Debate exists about whether extra protection of elderly and other vulnerable individuals is feasible in COVID-19. We aimed to assess the relative infection rates in the elderly vs the non-elderly and, secondarily, in children vs adults. Methods: We performed a systematic review and meta-analysis of seroprevalence studies conducted in the pre-vaccination era. We identified representative national studies without high risk of bias through SeroTracker and PubMed searches (last updated May 17, 2022). We noted seroprevalence estimates for children, non-elderly adults, and elderly adults, using cut-offs of 20 and 60 years (or as close to these ages, if they were unavailable) and compared them between different age groups. Results: We included 38 national seroprevalence studies from 36 different countries comprising 826 963 participants. Twenty-six of these studies also included pediatric populations and twenty-five were from high-income countries. The median ratio of seroprevalence in elderly vs non-elderly adults (or non-elderly in general, if pediatric and adult population data were not offered separately) was 0.90-0.95 in different analyses, with large variability across studies. In five studies (all in high-income countries), we observed significant protection of the elderly with a ratio of <0.40, with a median of 0.83 in high-income countries and 1.02 elsewhere. The median ratio of seroprevalence in children vs adults was 0.89 and only one study showed a significant ratio of <0.40. The main limitation of our study is the inaccuracies and biases in seroprevalence studies. Conclusions: Precision shielding of elderly community-dwelling populations before the availability of vaccines was indicated in some high-income countries, but most countries failed to achieve any substantial focused protection. Registration: Open Science Framework (available at: https://osf.io/xvupr).
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 | 0,014 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,017 | 0,030 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».