Postmarketing Safety Monitoring After Influenza Vaccination Using a Mobile Health App: Prospective Longitudinal Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: For the safety monitoring of vaccinations postlicensure, reports of adverse events after immunization (AEFIs) are crucial. New technologies such as digital mobile apps can be used as an active approach to capture these events. We therefore conducted a feasibility study among recipients of the influenza vaccination using an app for assessment of the reporting of AEFIs. OBJECTIVE: The goal of the research was to determine factors influencing adherence to and correct use of a newly developed app for individuals to report AEFI for 3 months using regular reminder functions, to identify determinants of AEFI occurrence and define reported AEFI types. METHODS: We developed the app (SafeVac) and offered it to recipients of the influenza vaccination in 3 occupational settings in fall 2018. In this prospective longitudinal feasibility study, data on AEFIs were generated through SafeVac for 3 months. Using logistic and Cox regression, we assessed associations between app adherence, correct app entry, AEFIs, and sociodemographic parameters. RESULTS: Of the individuals who logged into SafeVac, 61.4% (207/337) used the app throughout a 3-month period. App use adherence was negatively associated with female sex (odds ratio [OR] 0.47; CI 0.25-0.91) and correct app entry was negatively associated with older age (OR 0.96; CI 0.93-0.99) and lower education (OR 0.31; CI 0.13-0.76). AEFI occurrence was associated with female sex (hazard ratio 1.41; CI 1.01-1.96) and negatively with older age (hazard ratio 0.98; CI 0.97-0.99). The most common AEFIs reported were injection site pain (106/337), pain in extremity (103/337), and fatigue/asthenia (73/337). CONCLUSIONS: Digital AEFI reporting was feasible with SafeVac and generated plausible results for this observation period and setting. Studies directly comparing SafeVac with conventional passive reporting schemes could determine whether such digital approaches improve completeness, timeliness, and sensitivity of vaccine vigilance. Further studies should evaluate if these results are transferable to other vaccinations and populations and if introduction of such a tool has an influence on vaccination readiness and therefore vaccine safety.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».