Using COVID-19 pandemic perturbation to model RSV-hMPV interactions and potential implications under RSV interventions
Notice bibliographique
Résumé
Respiratory syncytial virus (RSV) and human metapneumovirus (hMPV) are closely related pathogens responsible for a significant burden of acute respiratory infections. Interactions between RSV and hMPV have been hypothesized, but the mechanisms of interaction are largely unknown. Here, we use a mathematical model to quantify the likelihood of interactions from population-level surveillance data and investigate whether interactions could lead to increases in hMPV burden under RSV medical interventions, including active and passive immunization. In Scotland, Korea, and three regions of Canada, annual hMPV outbreaks lag RSV outbreaks by up to 18 weeks; two Canadian regions show patterns consistent with out-of-phase biennial outbreaks. Using a two-pathogen transmission model, we show that a negative effect of RSV infection on hMPV transmissibility can explain these dynamics. We use post-pandemic RSV-hMPV rebound dynamics as an out of sample test for our model, and the model with interactions better predicts this period than a model where the pathogens are assumed to be independent. Finally, our model suggests that hMPV peak timing and magnitude may change under RSV interventions. Our analysis provides a foundation for detecting possible RSV-hMPV interactions at the population level, although such a model oversimplifies important complexities about interaction mechanisms.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».