Quantifier les gains économiques associés à la vaccination contre la COVID-19 dans la population canadienne : une analyse coûts-avantages
Bibliographic record
Abstract
Contexte : La vaccination a été un élément central de la réponse pandémique à la maladie à coronavirus 2019 (COVID-19) au Canada.Bien que les avantages cliniques de la vaccination soient évidents, il est utile de comprendre les avantages de la vaccination au niveau de la population par rapport aux coûts du programme.L'objectif du présent article est de quantifier l'impact économique de la vaccination contre la COVID-19 dans la population canadienne entre décembre 2020 et mars 2022.Méthodes : Nous avons effectué une analyse coûts-avantages basée sur un modèle du programme canadien de vaccination contre la COVID-19.Nous avons utilisé un modèle épidémiologique pour estimer le nombre de cas symptomatiques de COVID-19, d'hospitalisations, de cas de syndrome post-COVID-19 (SPC) et de décès en présence et en absence de vaccination.Les valeurs médianes, inférieures et supérieures d'intervalle crédible à 95 % des résultats de 100 simulations de modèle ont été utilisées pour estimer les coûts directs et indirects de maladie, y compris la valeur de la santé.Nous avons utilisé une perspective sociétale et un taux d'actualisation de 1,5 %.Résultats : Nous avons estimé que les coûts du programme de vaccination étaient largement compensés par les économies associées aux infections évitées et aux conséquences en aval connexes.La vaccination a augmenté l'avantage net de 298,1 milliards de dollars canadiens (intervalle de crédibilité à 95 % : 27,2-494,6) par rapport au contrefactuel d'absence de vaccination.Les plus grands avantages étaient dus à la mortalité prématurée évitée, ce qui a entraîné un avantage estimé de 222,0 milliards de dollars (intervalle de crédibilité à 95 % : 31,2-379,0).Conclusion : Notre évaluation économique basée sur un modèle fournit une évaluation rétrospective de la vaccination contre la COVID-19 au cours des 16 premiers mois du programme au Canada et suggère qu'elle améliorait le bien-être, compte tenu de la diminution des hospitalisations et de l'utilisation des ressources en soins de santé, de la prévention des décès et de la diminution de la morbidité liée à des conditions comme le SPC.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".