Consumer reporting of adverse events following immunization
Notice bibliographique
Résumé
Surveillance of adverse events following immunisation (AEFI) is an essential component of vaccine safety monitoring. The most commonly utilized passive surveillance systems rely predominantly on reporting by health care providers (HCP). We reviewed adverse event reports received in Victoria, Australia since surveillance commencement in July 2007, to June 2013 (6 years) to ascertain the contribution of consumer (vaccinee or their parent/guardian) reporting to vaccine safety monitoring and to inform future surveillance system development directions. Categorical data included were: reporter type; serious and non-serious AEFI category; and, vaccinee age group. Chi-square test and 2-sample test of proportions were used to compare categories; trend changes were assessed using linear regression. Consumer reporting increased over the 6 years, reaching 21% of reports received in 2013 (P<0.001), most commonly for children aged less than 7 years. Consumer reports were 5% more likely to describe serious AEFI than HCP (P=0.018) and 10% more likely to result in specialist clinic attendance (P<0.001). Although online reporting increased to 32% of all report since its introduction in 2010, 85% of consumers continued to report by phone. Consumer reporting of AEFI is a valuable component of vaccine safety surveillance in addition to HCP reporting. Changes are required to AEFI reporting systems to implement efficient consumer AEFI reporting, but may be justified for their potential impact on signal detection sensitivity.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».