A quantitative evaluation of the impact of vaccine roll-out rate and coverage on reducing deaths from COVID-19: a counterfactual study on the impact of the delayed vaccination programme in Iran
Notice bibliographique
Résumé
Abstract Vaccination has been a crucial factor in the fight against COVID-19 because of its effectiveness in suppressing virus circulation, lowering the risk of severe disease, and ultimately saving lives. Many countries with an early and rapid distribution of COVID-19 vaccines performed much better in reducing their total number of deaths than those with lower coverage and slower roll-out pace. However, we still do not know how many more deaths could have been averted if countries with slower vaccine roll-outs followed the same rate as countries with earlier and faster distribution of vaccines. Here, we investigated counterfactual scenarios for the number of avertable COVID-19 deaths in a given country based on other countries’ vaccine roll-out rates. As a case study, we compared Iran to eight model countries with similar income brackets and dominant COVID-19 vaccine types. Our analysis revealed that faster roll-outs were associated with higher numbers of averted deaths. While Iran’s percentage of fully vaccinated individuals would have been similar to Bangladesh, Nepal, Sri Lanka, and Turkey under counterfactual roll-out rates, adopting Turkey’s rates could have averted up to 50,000 more deaths, whereas following Bangladesh’s rates could have led to up to 52,800 additional losses of lives in Iran. Notably, a counterfactual scenario based on Argentina’s early but slow roll-out rate resulted in a smaller number of averted deaths in Iran, up to 12,600 more individuals. Following Montenegro’s or Bolivia’s model of faster per capita roll-out rates for Iran could have resulted in more averted deaths in older age groups, particularly during the Alpha and Delta waves, despite their lower overall coverage. Also, following Bahrain’s model as an upper bound benchmark, Iran could have averted 75,300 deaths throughout the pandemic, primarily in the >50 age groups. This study provides insights into future decisions on the management of infectious disease epidemics through vaccination strategies by comparing the relative performance of different countries in terms of their timing, pace, and coverage of vaccination in preventing COVID-19 deaths.
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 | 0,038 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| 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 ».