After adjusting for bias in meta-analysis seasonal influenza vaccine remains effective in community-dwelling elderly
Notice bibliographique
Résumé
OBJECTIVE: To compare the performance of the bias-adjusted meta-analysis to the conventional meta-analysis assessing seasonal influenza vaccine effectiveness among community-dwelling elderly aged 60 years and older. STUDY DESIGN AND SETTING: Systematic literature search revealed 14 cohort studies that met inclusion and exclusion criteria. Laboratory-confirmed influenza, influenza-like illness, hospitalization from influenza and/or pneumonia, and all-cause mortality were study outcomes. Potential biases were identified using bias checklists. The magnitude and uncertainty of biases were assessed by expert opinion. Pooled odds ratios (ORs) and 95% confidence intervals (95% CIs) were calculated using random effects model. RESULTS: After incorporating biases, overall effect estimates regressed slightly toward no effect, with the largest relative difference between conventional and bias-adjusted ORs for laboratory-confirmed influenza (OR, 0.18; 95% CI: 0.01, 3.00 vs. OR, 0.23; 95% CI: 0.03, 2.04). In most of the studies, CIs widened reflecting uncertainties about the biases. The between-study heterogeneity reduced considerably with the largest reduction for all-cause mortality (I(2) = 4%, P = 0.39 vs. I(2) = 91%, P < 0.01). CONCLUSION: This case study showed that after addressing potential biases influenza vaccine was still estimated effective in preventing hospitalization from influenza and/or pneumonia and all-cause mortality. Increasing the number of assessors and incorporating empirical evidence might improve the new bias-adjustment method.
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 | 0,185 | 0,444 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,042 | 0,016 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,011 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».