MétaCan
Menu
Retour à la cohorte
Enregistrement W3207338245 · doi:10.1101/2021.05.24.21257744

Effectiveness of BNT162b2 and mRNA-1273 COVID-19 vaccines against symptomatic SARS-CoV-2 infection and severe COVID-19 outcomes in Ontario, Canada: a test-negative design study

2021· preprint· en· W3207338245 sur OpenAlexafffundabout
Hannah Chung, Siyi He, Sharifa Nasreen, Maria E. Sundaram, Sarah A. Buchan, Sarah E. Wilson, Branson Chen, Andrew Calzavara, Deshayne B. Fell, Peter C. Austin, Kumanan Wilson, Kevin L. Schwartz, Kevin A. Brown, Jonathan B. Gubbay, Nicole E. Basta, Salaheddin M. Mahmud, Christiaan H. Righolt, Lawrence W. Svenson, Shannon E. MacDonald, Naveed Z. Janjua, Mina Tadrous, Jeffrey C. Kwong

Notice bibliographique

RevuemedRxiv · 2021
Typepreprint
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 and COVID-19 Research
Établissements canadiensUniversity Health NetworkWomen's College HospitalUniversity of AlbertaBC Centre for Disease ControlAlberta HealthUniversity of ManitobaUniversity of CalgaryUniversity of OttawaMcGill UniversityChildren's Hospital of Eastern OntarioBruyèreUniversity of British ColumbiaPublic Health OntarioUniversity of Toronto
Organismes subventionnairesDepartment of Family and Community Medicine, University of TorontoCanadian Institutes of Health ResearchCanadian Immunization Research NetworkUniversity of TorontoPublic Health AgencyPublic Health Agency of CanadaHeart and Stroke Foundation of Canada
Mots-clésMedicineCoronavirus disease 2019 (COVID-19)VaccinationSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Logistic regressionInternal medicinePediatricsImmunologyDisease

Résumé

récupéré en direct d'OpenAlex

ABSTRACT Objectives To estimate the effectiveness of mRNA COVID-19 vaccines against symptomatic infection and severe outcomes. Design We applied a test-negative design study to linked laboratory, vaccination, and health administrative databases, and used multivariable logistic regression adjusting for demographic and clinical characteristics associated with SARS-CoV-2 and vaccine receipt to estimate vaccine effectiveness (VE) against symptomatic infection and severe outcomes. Setting Ontario, Canada between 14 December 2020 and 19 April 2021. Participants Community-dwelling adults aged ≥16 years who had COVID-19 symptoms and were tested for SARS-CoV-2. Interventions Pfizer-BioNTech’s BNT162b2 or Moderna’s mRNA-1273 vaccine. Main outcome measures Laboratory-confirmed SARS-CoV-2 by RT-PCR; hospitalization/death associated with SARS-CoV-2 infection. Results Among 324,033 symptomatic individuals, 53,270 (16.4%) were positive for SARS-CoV-2 and 21,272 (6.6%) received ≥1 vaccine dose. Among test-positive cases, 2,479 (4.7%) had a severe outcome. VE against symptomatic infection ≥14 days after receiving only 1 dose was 60% (95%CI, 57 to 64%), increasing from 48% (95%CI, 41 to 54%) at 14–20 days after the first dose to 71% (95%CI, 63 to 78%) at 35–41 days. VE ≥7 days after 2 doses was 91% (95%CI, 89 to 93%). Against severe outcomes, VE ≥14 days after 1 dose was 70% (95%CI, 60 to 77%), increasing from 62% (95%CI, 44 to 75%) at 14–20 days to 91% (95%CI, 73 to 97%) at ≥35 days, whereas VE ≥7 days after 2 doses was 98% (95%CI, 88 to 100%). For adults aged ≥70 years, VE estimates were lower for intervals shortly after receiving 1 dose, but were comparable to younger adults for all intervals after 28 days. After 2 doses, we observed high VE against E484K-positive variants. Conclusions Two doses of mRNA COVID-19 vaccines are highly effective against symptomatic infection and severe outcomes. Single-dose effectiveness is lower, particularly for older adults shortly after the first dose.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,019
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,019
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,058
Tête enseignante GPT0,351
Écart entre enseignants0,293 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations51
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuemedRxivMême sujetSARS-CoV-2 and COVID-19 ResearchTravaux en français237 207