Seroprevalence trends of anti-SARS-CoV-2 antibodies and associated risk factors: a population-based study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
PURPOSE: We aimed to assess the seroprevalence trends of SARS-CoV-2 antibodies in several Swiss cantons between May 2020 and September 2021 and investigate risk factors for seropositivity and their changes over time. METHODS: We conducted repeated population-based serological studies in different Swiss regions using a common methodology. We defined three study periods: May-October 2020 (period 1, prior to vaccination), November 2020-mid-May 2021 (period 2, first months of the vaccination campaign), and mid-May-September 2021 (period 3, a large share of the population vaccinated). We measured anti-spike IgG. Participants provided information on sociodemographic and socioeconomic characteristics, health status, and adherence to preventive measures. We estimated seroprevalence with a Bayesian logistic regression model and the association between risk factors and seropositivity with Poisson models. RESULTS: We included 13,291 participants aged 20 and older from 11 Swiss cantons. Seroprevalence was 3.7% (95% CI 2.1-4.9) in period 1, 16.2% (95% CI 14.4-17.5) in period 2, and 72.0% (95% CI 70.3-73.8) in period 3, with regional variations. In period 1, younger age (20-64) was the only factor associated with higher seropositivity. In period 3, being aged ≥ 65 years, with a high income, retired, overweight or obese or with other comorbidities, was associated with higher seropositivity. These associations disappeared after adjusting for vaccination status. Seropositivity was lower in participants with lower adherence to preventive measures, due to a lower vaccination uptake. CONCLUSIONS: Seroprevalence sharply increased over time, also thanks to vaccination, with some regional variations. After the vaccination campaign, no differences between subgroups were observed.
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 découle