MétaCan
Menu
Retour à la cohorte
Enregistrement W4389045064 · doi:10.1016/j.epidem.2023.100730

Seasonality as a driver of pH1N12009 influenza vaccination campaign impact

2023· article· en· W4389045064 sur OpenAlexaff
Kirsty J. Bolton, James M. McCaw, Mathew P. Dafilis, Jodie McVernon, Jane M. Heffernan

Notice bibliographique

RevueEpidemics · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueInfluenza Virus Research Studies
Établissements canadiensYork University
Organismes subventionnairesUniversity of Nottingham
Mots-clésPandemicVaccinationBiologyTransmission (telecommunications)Influenza A virusVirologyBasic reproduction numberVirusDemographyImmunologyEnvironmental healthMedicineDiseasePopulationCoronavirus disease 2019 (COVID-19)Infectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Although the most recent respiratory virus pandemic was triggered by a Coronavirus, sustained and elevated prevalence of highly pathogenic avian influenza viruses able to infect mammalian hosts highlight the continued threat of pandemics of influenza A virus (IAV) to global health. Retrospective analysis of pandemic outcomes, including comparative investigation of intervention efficacy in different regions, provide important contributions to the evidence base for future pandemic planning. The swine-origin IAV pandemic of 2009 exhibited regional variation in onset, infection dynamics and annual infection attack rates (IARs). For example, the UK experienced three severe peaks of infection over two influenza seasons, whilst Australia experienced a single severe wave. We adopt a seasonally forced 2-subtype model for the transmission of pH1N12009 and seasonal H3N2 to examine the role vaccination campaigns may play in explaining differences in pandemic trajectories in temperate regions. Our model differentiates between the nature of vaccine- and infection-acquired immunity. In particular, we assume that immunity triggered by infection elicits heterologous cross-protection against viral shedding in addition to long-lasting neutralising antibody, whereas vaccination induces imperfect reduction in susceptibility. We employ an Approximate Bayesian Computation (ABC) framework to calibrate the model using data for pH1N12009 seroprevalence, relative subtype dominance, and annual IARs for Australia and the UK. Heterologous cross-protection substantially suppressed the pandemic IAR over the posterior, with the strength of protection against onward transmission inversely correlated with the initial reproduction number. We show that IAV pandemic timing relative to the usual seasonal influenza cycle influenced the size of the initial waves of pH1N12009 in temperate regions and the impact of vaccination campaigns.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,009
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,039
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,001

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.

Tête enseignante Opus0,147
Tête enseignante GPT0,485
Écart entre enseignants0,338 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEpidemicsMême sujetInfluenza Virus Research StudiesTravaux en français237 207