Importance Respiratory syncytial virus (RSV) transmission was disrupted worldwide following the COVID-19 pandemic, and further study is required to better understand these changes. Objective To compare observed and expected RSV hospital and intensive care unit (ICU) admission rates and characteristics of admitted children during the 2021-2022 and 2022-2023 seasons. Design, Setting, and Participants A population-based cohort study of all children aged younger than 5 years in Ontario, Canada, July 1, 2017, through March 31, 2023, was conducted. Exposures Individual and neighborhood-level sociodemographic and clinical characteristics were identified from administrative data, including age, palivizumab eligibility, complex medical conditions, rurality, and living in a marginalized neighborhood. Main Outcomes and Measures The main outcome was RSV-associated hospitalization. Secondary outcomes included ICU admissions, mechanical ventilation, extracorporeal membrane oxygenation, and in-hospital death. Poisson generalized estimating equations were used to model weekly age- and sex-specific hospitalization rates and estimate expected rates in the postpandemic era; adjusted rate ratios (RRs) and 95% CIs are reported. Results This cohort study included approximately 700 000 children per study year. Compared with prepandemic years (2017-2018, 2018-2019, and 2019-2020), the 2021-2022 RSV season peaked slightly earlier, but overall admission rates were comparable (289.1 vs 281.4-334.6 per 100 000, or approximately 2000 admissions). The 2022-2023 season peaked a month earlier and resulted in more than twice as many hospitalizations (770.0 per 100 000; n = 4977 admissions). The proportion of children admitted to an ICU in 2022-2023 (13.9%) was slightly higher than prepandemic (9.6%-11.4%); however, the population-based rate was triple the prepandemic levels (106.9 vs 27.6-36.6 per 100 000 children in Ontario). With the exception of palivizumab-eligible children, all sociodemographic and health status characteristics were associated with lower-than-expected RSV hospitalization rates in 2021-2022. In contrast, older age of patients was associated with higher-than-expected rates in 2022-2023 (ie, 24-59 months: RR, 1.90; 95% CI, 1.35-2.66). Conclusions and Relevance There were notable differences in RSV epidemiologic characteristics in Ontario following the COVID-19 pandemic. It is not yet clear whether and how long atypical RSV epidemics may persist. Clinicians and program planners should consider the potential for ongoing impacts to health care capacity and RSV immunization programs.

COVID-19 vaccination has been associated with anaphylaxis and hypersensitivity reactions. Infectious disease physicians and allergists in the Canadian Special Immunization Clinic (SIC) Network developed guidance for evaluating patients with adverse events following immunization (AEFI) including suspected hypersensitivity. This study evaluated management and adverse event recurrence following subsequent COVID-19 vaccinations.

Beyond clinical risk factors, little is known about the impact of social determinants on respiratory syncytial virus (RSV) burden. Our study aimed to estimate RSV-related hospitalization rates across sociodemographic and housing characteristics.

Background: Influenza A presents a major public health issue in Ontario, affecting the population with regular seasonal outbreaks that lead to health and economic burdens. This study uses a collection of historical data on Influenza A cases which dates back to 2015. Objectives: Utilizing a data-driven approach, this study aims to enhance short-term forecasting of Influenza A cases. By predicting the number of cases over a 14-day horizon, we intend to provide actionable insights for public health officials to implement timely and effective interventions. The model seeks to differentiate impacts on pediatric and adult populations, thereby optimizing resource allocation and intervention strategies tailored to demographic-specific needs. Methods: Utilizing the R package tscount, tailored to count time series data, we modeled the number of Influenza A cases. This package supports generalized linear models, which are pivotal for predicting time-dependent phenomena and allow for the inclusion of past values and covariates into the models. The analysis was segmented by age group to refine predictions. Results: The model accurately forecasted 14-days of Influenza A cases for both pediatric and adult populations. Predictive performance was assessed using the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE), which upheld the model's efficacy in short-term forecasting within acceptable error thresholds. Conclusions: The developed forecasting model proves effective for short-term predictions, providing insights into outbreak trends and severity. These predictions are crucial for optimizing resource distribution, informing public health advisories, and enhancing community preparedness.