Importance

 The incremental value of polygenic risk scores in addition to well-established risk prediction models for coronary artery disease (CAD) is uncertain. 

Objective

 To examine whether a polygenic risk score for CAD improves risk prediction beyond pooled cohort equations. 

Design, Setting, and Participants

 Observational study of UK Biobank participants enrolled from 2006 to 2010. A case-control sample of 15 947 prevalent CAD cases and equal number of age and sex frequency–matched controls was used to optimize the predictive performance of a polygenic risk score for CAD based on summary statistics from published genome-wide association studies. A separate cohort of 352 660 individuals (with follow-up to 2017) was used to evaluate the predictive accuracy of the polygenic risk score, pooled cohort equations, and both combined for incident CAD. 

Exposures

 Polygenic risk score for CAD, pooled cohort equations, and both combined. 

Main Outcomes and Measures

 CAD (myocardial infarction and its related sequelae). Discrimination, calibration, and reclassification using a risk threshold of 7.5% were assessed. 

Results

 In the cohort of 352 660 participants (mean age, 55.9 years; 205 297 women [58.2%]) used to evaluate the predictive accuracy of the examined models, there were 6272 incident CAD events over a median of 8 years of follow-up. CAD discrimination for polygenic risk score, pooled cohort equations, and both combined resulted in C statistics of 0.61 (95% CI, 0.60 to 0.62), 0.76 (95% CI, 0.75 to 0.77), and 0.78 (95% CI, 0.77 to 0.79), respectively. The change in C statistic between the latter 2 models was 0.02 (95% CI, 0.01 to 0.03). Calibration of the models showed overestimation of risk by pooled cohort equations, which was corrected after recalibration. Using a risk threshold of 7.5%, addition of the polygenic risk score to pooled cohort equations resulted in a net reclassification improvement of 4.4% (95% CI, 3.5% to 5.3%) for cases and −0.4% (95% CI, −0.5% to −0.4%) for noncases (overall net reclassification improvement, 4.0% [95% CI, 3.1% to 4.9%]). 

Conclusions and Relevance

 The addition of a polygenic risk score for CAD to pooled cohort equations was associated with a statistically significant, yet modest, improvement in the predictive accuracy for incident CAD and improved risk stratification for only a small proportion of individuals. The use of genetic information over the pooled cohort equations model warrants further investigation before clinical implementation.

Long COVID remains a broadly defined syndrome, with estimates of prevalence and duration varying widely. We use data from rounds 3-5 of the REACT-2 study (n = 508,707; September 2020 - February 2021), a representative community survey of adults in England, and replication data from round 6 (n = 97,717; May 2021) to estimate the prevalence and identify predictors of persistent symptoms lasting 12 weeks or more; and unsupervised learning to cluster individuals by reported symptoms. At 12 weeks in rounds 3-5, 37.7% experienced at least one symptom, falling to 21.6% in round 6. Female sex, increasing age, obesity, smoking, vaping, hospitalisation with COVID-19, deprivation, and being a healthcare worker are associated with higher probability of persistent symptoms in rounds 3-5, and Asian ethnicity with lower probability. Clustering analysis identifies a subset of participants with predominantly respiratory symptoms. Managing the long-term sequelae of COVID-19 will remain a major challenge for affected individuals and their families and for health services.

Abstract Background The prevalence and persistence of antibodies following a peak SARS-CoV-2 infection provides insights into its spread in the community, the likelihood of reinfection and potential for some level of population immunity. Methods Prevalence of antibody positivity in England, UK (REACT2) with three cross-sectional surveys between late June and September 2020. 365104 adults used a self-administered lateral flow immunoassay (LFIA) test for IgG. A laboratory comparison of LFIA results to neutralization activity in panel of sera was performed. Results There were 17,576 positive tests over the three rounds. Antibody prevalence, adjusted for test characteristics and weighted to the adult population of England, declined from 6.0% [5.8, 6.1], to 4.8% [4.7, 5.0] and 4.4% [4.3, 4.5], a fall of 26.5% [-29.0, −23.8] over the three months of the study. There was a decline between rounds 1 and 3 in all age groups, with the highest prevalence of a positive result and smallest overall decline in positivity in the youngest age group (18-24 years: −14.9% [-21.6, −8.1]), and lowest prevalence and largest decline in the oldest group (75+ years: −39.0% [-50.8, −27.2]); there was no change in antibody positivity between rounds 1 and 3 in healthcare workers (+3.45% [-5.7, +12.7]). The decline from rounds 1 to 3 was largest in those who did not report a history of COVID-19, (−64.0% [-75.6, −52.3]), compared to −22.3% ([-27.0, −17.7]) in those with SARS-CoV-2 infection confirmed on PCR. Discussion These findings provide evidence of variable waning in antibody positivity over time such that, at the start of the second wave of infection in England, only 4.4% of adults had detectable IgG antibodies using an LFIA. Antibody positivity was greater in those who reported a positive PCR and lower in older people and those with asymptomatic infection. These data suggest the possibility of decreasing population immunity and increasing risk of reinfection as detectable antibodies decline in the population.

Abstract Introduction: Service members are exposed to ambient airborne pollutants that have been linked to adverse health effects; however, capabilities to identify and characterize exposures across multi-domain operations are currently lacking. Occupational and environmental exposure monitoring is problematic because there is not a single simple solution, and current technological limitations suggest that simultaneous deployment of multiple devices may be the most effective near-term strategy. Materials and Methods: A broad industry scan of wearable, handheld, or portable occupational and environmental exposure monitoring devices was conducted, and subject matter experts were interviewed about the state of the field. Results: This survey identified limitations including the inability to detect multiple analytes or analyte classes, size and weight, and detection limits, but multiple implementation strategies could be employed to meet a variety of combat needs. Device types could be layered, or specific device types could be deployed in acute toxic exposure environments such as dense urban population centers or subterranean spaces. Conclusions: Evolving technologies and data management strategies may advance personal exposure monitoring in the future. These new devices and methods will likely supplant current technologies, while still using the programmatic and data framework established with early implementation of current commercial off the shelf devices.

Abstract Aims Evaluate sex differences in cardiovascular disease (CVD) risk prediction, including use of (i) optimal sex-specific risk predictors and (ii) sex-specific risk thresholds. Methods and results Prospective cohort study using UK Biobank, including 121 724 and 182 632 healthy men and women, respectively, aged 38–73 years at baseline. There were 11 899 (men) and 9110 (women) incident CVD cases (hospitalization or mortality) with a median of 12.1 years of follow-up. We used recalibrated pooled cohort equations (PCEs; 7.5% 10-year risk threshold as per US guidelines), QRISK3 (10% 10-year risk threshold as per UK guidelines), and Cox survival models using sparse sex-specific variable sets (via LASSO stability selection) to predict CVD risk separately in men and women. LASSO stability selection included 12 variables in common between men and women, with 3 additional variables selected for men and 1 for women. C-statistics were slightly lower for PCE than QRISK3 and models using stably selected variables, but were similar between men and women: 0.67 (0.66–0.68), 0.70 (0.69–0.71), and 0.71 (0.70–0.72) in men and 0.69 (0.68–0.70), 0.72 (0.71–0.73), and 0.72 (0.71–0.73) in women for PCE, QRISK3, and models using stably selected variables, respectively. At current clinically implemented risk thresholds, test sensitivity was markedly lower in women than men for all models: at 7.5% 10-year risk, sensitivity was 65.1 and 68.2% in men and 24.0 and 33.4% in women for PCE and models using stably selected variables, respectively; at 10% 10-year risk, sensitivity was 53.7 and 52.3% in men and 16.8 and 20.2% in women for QRISK3 and models using stably selected variables, respectively. Specificity was correspondingly higher in women than men. However, the sensitivity in women at 5% 10-year risk threshold increased to 50.1, 58.5, and 55.7% for PCE, QRISK3, and models using stably selected variables, respectively. Conclusion Use of sparse sex-specific variables improved CVD risk prediction compared with PCE but not QRISK3. At current risk thresholds, PCE and QRISK3 work less well for women than men, but sensitivity was improved in women using a 5% 10-year risk threshold. Use of sex-specific risk thresholds should be considered in any re-evaluation of CVD risk calculators.

Excessive alcohol consumption is one of the main causes of death and disability worldwide. Alcohol consumption is a heritable complex trait. We conducted a genome-wide association study (GWAS) of alcohol use in ~480,000 people of European descent to decipher the genetic architecture of alcohol intake. We identified 46 novel, common loci, and investigated their potential functional significance using magnetic resonance imaging data, gene expression and behavioral studies in Drosophila. Our results identify new genetic pathways associated with alcohol consumption and suggest common genetic mechanisms with several neuropsychiatric disorders including schizophrenia.

Understanding the subtle confluence of factors triggering pan-continental, seasonal epidemics of influenza-like illness is an extremely important problem, with the potential to save tens of thousands of lives and billions of dollars every year in the US alone. Beginning with several large, longitudinal datasets on putative factors and clinical data on the disease and health status of over 150 million human subjects observed over a decade, we investigated the source and the mechanistic triggers of epidemics. Our analysis included insurance claims for a significant cross-section of the US population in the past decade, human movement patterns inferred from billions of tweets, whole-US weekly weather data covering the same time span as the medical records, data on vaccination coverage over the same period, and sequence variations of key viral proteins. We also explicitly accounted for the spatio-temporal auto-correlations of infectious waves, and a host of socioeconomic and demographic factors. We carried out multiple orthogonal statistical analyses on these diverse, large geo-temporal datasets to bolster and corroborate our findings. We conclude that the initiation of a pan-continental influenza wave emerges from the simultaneous realization of a complex set of conditions, the strongest predictor groups are as follows, ranked by importance: (1) the host population's socio- and ethno-demographic properties; (2) weather variables pertaining to relevant area specific humidity, temperature, and solar radiation; (3) the virus' antigenic drift over time; (4) the host population's land-based travel habits, and; (5) the spatio-temporal dynamics' immediate history, as reflected in the influenza wave autocorrelation. The models we infer are demonstrably predictive (area under the Receiver Operating Characteristic curve ≈ 80%) when tested with out-of-sample data, opening the door to the potential formulation of new population-level intervention and mitigation policies.