The Need for a Practical Approach to Evaluate the Effectiveness of COVID-19 Vaccines for Low- and Middle-Income Countries
Notice bibliographique
Résumé
The global demand for coronavirus disease 2019 (COVID-19) vaccines currently far outweighs the available global supply and manufacturing capacity. As a result, securing doses of vaccines for low- and middle-income countries has been challenging, particularly for African countries. Clinical trial investigation for COVID-19 vaccines has been rare in Africa, with the only randomized clinical trials (RCTs) for COVID-19 vaccines having been conducted in South Africa. In addition to addressing the current inequities in the vaccine roll-out for low- and middle-income countries, there is a need to monitor the real-world effectiveness of COVID-19 vaccines in these regions. Although RCTs are the superior method for evaluating vaccine efficacy, the feasibility of conducting RCTs to monitor COVID-19 vaccine effectiveness during mass vaccine campaigns will likely be low. There is still a need to evaluate the effectiveness of mass COVID-19 vaccine distribution in a practical manner. We discuss how target trial emulation, the application of trial design principles from RCTs to the analysis of observational data, can be used as a practical, cost-effective way to evaluate real-world effectiveness for COVID-19 vaccines. There are several study design considerations that need to be made in the analyses of observational data, such as uncontrolled confounders and selection biases. Target trial emulation accounts for these considerations to improve the analyses of observational data. The framework of target trial emulation provides a practical way to monitor the effectiveness of mass vaccine campaigns for COVID-19 using observational data.
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 | 0,692 | 0,830 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,012 | 0,011 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,010 |
| Communication savante | 0,014 | 0,026 |
| Science ouverte | 0,008 | 0,010 |
| Intégrité de la recherche | 0,015 | 0,021 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».