Impact of disease-modifying antirheumatic drugs on vaccine immunogenicity in patients with inflammatory rheumatic and musculoskeletal diseases
Notice bibliographique
Résumé
Patients with rheumatic diseases are at increased risk of infectious complications; vaccinations are a critical component of their care. Disease-modifying antirheumatic drugs may reduce the immunogenicity of common vaccines. We will review here available data regarding the effect of these medications on influenza, pneumococcal, herpes zoster, SARS-CoV-2, hepatitis B, human papilloma virus and yellow fever vaccines. Rituximab has the most substantial impact on vaccine immunogenicity, which is most profound when vaccinations are given at shorter intervals after rituximab dosing. Methotrexate has less substantial effect but appears to adversely impact most vaccine immunogenicity. Abatacept likely decrease vaccine immunogenicity, although these studies are limited by the lack of adequate control groups. Janus kinase and tumour necrosis factor inhibitors decrease absolute antibody titres for many vaccines, but do not seem to significantly impact the proportions of patients achieving seroprotection. Other biologics (interleukin-6R (IL-6R), IL-12/IL-23 and IL-17 inhibitors) have little observed impact on vaccine immunogenicity. Data regarding the effect of these medications on the SARS-CoV-2 vaccine immunogenicity are just now emerging, and early glimpses appear similar to our experience with other vaccines. In this review, we summarise the most recent data regarding vaccine response and efficacy in this setting, particularly in light of current vaccination recommendations for immunocompromised patients.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,001 | 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 | 0,000 | 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 ».