How does the SARS-CoV-2 reinfection rate change over time? The global evidence from systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: There is a significant increase in the number of SARS-CoV-2 reinfection reports in various countries. However, the trend of reinfection rate over time is not clear. METHODS: We searched PubMed, Web of Science, Medline, Embase, Cochrane Central Register of Controlled Trials, China National Knowledge Infrastructure, and Wanfang for cohort studies, case-control studies, and cross-sectional studies up to March 16, 2023, to conduct a meta-analysis of global SARS-CoV-2 reinfection rate. Subgroup analyses were performed for age, country, study type, and study population, and time-varying reinfection rates of SARS-CoV-2 were estimated using meta-regression. The risk of bias was assessed using the Newcastle-Ottawa Scale and the Joanna Briggs Institute critical appraisal tool. RESULT: A total of 55 studies involving 111,846 cases of SARS-CoV-2 reinfection were included. The pooled SARS-CoV-2 reinfection rate was 0.94% (95% CI: 0.65 -1.35%). In the subgroup analyses, there were statistically significant differences in the pooled reinfection rates by reinfection variant, and study type (P < 0.05). Based on meta-regression, the reinfection rate fluctuated with time. CONCLUSION: Meta-regression analysis found that the overall reinfection rate increased and then decreased over time, followed by a period of plateauing and then a trend of increasing and then decreasing, but the peak of the second wave of reinfection rate was lower than the first wave. SARS-CoV-2 is at risk of reinfection and the Omicron variant has a higher reinfection rate than other currently known variants. The results of this study could help guide public health measures and vaccination strategies in response to the Coronavirus Disease 2019 (COVID-19) pandemic.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».