Interpreting the Influence of Using Blood Donor Residual Samples for SARS-CoV-2 Seroprevalence Studies in Japan: Cross-Sectional Survey Study
Notice bibliographique
Résumé
Unlabelled: Background: Residual blood donor samples are commonly used in SARS-CoV-2 seroepidemiological studies; however their use may introduce bias due to the healthy donor effect, wherein blood donors are generally healthier than the general population. This potential bias is critical for accurately interpreting seroepidemiological data, as blood donors might not fully represent broader population-level infection rates., Objective: This study aims to assess the potential bias in SARS-CoV-2 seroprevalence estimates derived from blood donor samples in Japan by examining the association between blood donation history and COVID-19 diagnosis. By quantifying the healthy donor effect, we seek to refine the interpretation of SARS-CoV-2 seroepidemiological studies using residual blood donor samples., Methods: We conducted a web-based survey from December 14 to 28, 2023, recruiting 10,781 Japanese residents aged 16-69, stratified by demographic factors to match national representation. Participants provided information on demographics, socioeconomic status, COVID-19 vaccination history, comorbidities, and blood donation experience. A logistic regression model adjusting for confounders such as age, sex, education, occupation, comorbidities, and vaccination status, was used to estimate the odds of COVID-19 diagnosis among blood donors compared to nondonors., Results: Of the 10,781 participants, 3583 (33.2%) reported a history of COVID-19 diagnosis, and 5015 (46.5%) indicated they had donated blood at least once in their lifetime, and 1128 (10.5%) donated within the last year. Blood donors had mean of 13.5 (SD 43.6) donations and were older, with a mean age of 46.4 (SD 13.9) years, compared to 38.5 (SD 14.1) years for nondonors. Among blood donors, 39.9% had comorbidities (95% CI 38.5-41.2) compared to 27.9% (95% CI 26.7-29.0) of nondonors. Blood donors had 1.62 (95% CI: 1.48-1.78) times higher odds of COVID-19 diagnosis compared to nondonors. The higher diagnosis rate among blood donors likely reflects increased social interactions and health-seeking behaviors, a phenomenon we refer to as the inverse healthy donor effect. This suggests that blood donor samples could overestimate SARS-CoV-2 seroprevalence when generalized to the broader Japanese population., Conclusions: Higher COVID-19 diagnosis rates among blood donors may reflect increased community involvement and health-seeking behaviors, suggesting an inverse healthy donor effect. This pattern indicates that in terms of SARS-CoV-2 infection, blood donors might not represent the healthiest segment of the population. Consequently, seroprevalence studies using blood donor samples could overestimate SARS-CoV-2 infection rates in the general Japanese population. For more accurate public health surveillance, the development of statistical methods to adjust for this bias is recommended.
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 | 0,028 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».