Population Attributable Mortality Associated with Respiratory Viruses in Ontario
Notice bibliographique
Résumé
Abstract Background Respiratory viruses are major contributors to population mortality, but cause-of-death coding undercounts their impact. Ecological regression models linking viral circulation to mortality fluctuations can address this limitation. Aim To estimate the population attributable fraction (PAF) of mortality associated with influenza A and B, respiratory syncytial virus (RSV), and SARS-CoV-2 in Ontario, Canada (1993–2025), and to characterize temporal changes in virus-attributable mortality across the pandemic transition. Methods We analysed monthly all-cause mortality data with laboratory surveillance indicators for influenza A, B, RSV, and SARS-CoV-2. Negative binomial models with secular trends, Fourier seasonal terms, and population offsets were fit for pre-pandemic (January 1993–February 2020) and combined pandemic (March 2020–February 2025) periods. PAFs were derived from counterfactual predictions setting viral coefficients to zero. Sensitivity analyses examined temporal stratification of the pandemic period (Public Health Emergency of International Concern [PHEIC] period: March 2020–April 2023; post-PHEIC: May 2023–February 2025), exclusion of the early pandemic period (March–June 2020), and models without Fourier seasonal adjustment. Wald tests compared coefficients across specifications. Results Pre-pandemic, influenza A accounted for 1.8% (95% CI 1.4–2.3%) of mortality; influenza B showed no detectable impact. RSV demonstrated inverse associations in seasonally adjusted models but positive associations (PAF 1.9%, 95% CI 1.3–2.4%) without seasonal adjustment. Over the combined pandemic period (March 2020–February 2025; n=60 months), amid elevated baseline mortality (IRR 1.050, P=0.027), SARS-CoV-2 accounted for 6.1% (95% CI 4.2–8.0%) of deaths, approximately 4-fold the pre-pandemic influenza A burden, despite widespread vaccination and antiviral availability. Model-estimated SARS-CoV-2-attributable deaths closely matched reported COVID-19 deaths from Public Health Ontario over the same period. Temporal stratification identified a significant increase in SARS-CoV-2-attributable mortality in the post-PHEIC period (PAF 9.8%, 95% CI 1.1–17.7%; p=0.027), while post-PHEIC influenza A and B attributable fractions did not differ significantly from pre-pandemic baselines. Excluding March-June 2020 yielded a conservative SARS-CoV-2 PAF of 5.7% (95% CI 3.3–8.1%), confirming robustness of primary estimates. Meta-analyses showed substantial heterogeneity for influenza A (I²=92.8%) and RSV (I²=89.1%) across modeling approaches, but minimal heterogeneity for SARS-CoV-2 (I²=5.5%). Conclusion SARS-CoV-2 was associated with a 3–4-fold higher population mortality burden than seasonal influenza A despite available countermeasures. Post-PHEIC data suggest that the burden of respiratory virus mortality, including for influenza, has not returned to pre-pandemic levels, highlighting the continued importance of respiratory virus prevention strategies. Estimates for influenza A and RSV were sensitive to seasonal adjustment, highlighting the importance of modelling choices when quantifying virus-attributable mortality.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».