Effectiveness of <scp>COVID</scp> ‐19 vaccines: findings from real‐world studies
Notice bibliographique
Résumé
To the Editor: We recently reviewed the first studies of the real-world effectiveness of coronavirus disease 2019 (COVID-19) vaccines.1 We found evidence of protection against serious illness and death but noted the difficulties in performing such studies in Australia. This was because of the (then) low national case numbers and lack of ready access to the necessary linked health data. Since then, the literature on vaccine effectiveness has expanded dramatically. By February 2022 the Johns Hopkins Bloomberg School of Public Health and partners had generated a database of 181 studies conducted in 26 countries.2 The most studied vaccines were Pfizer (117 studies), Moderna (47), AstraZeneca (43), Janssen (17) and Sinovac (8). Twenty-three studies investigated booster doses, and seven studies mentioned analysis of the Omicron variant. Study outcomes included infections (117 studies), hospitalisations (69), deaths (30), and viral transmission (5). Study designs varied, with 32 mentioning cohort analysis and 16 mentioning test negative analysis in their titles. Most studies were performed in the United States (56 studies), followed by Israel (32), the United Kingdom (29), Qatar (9), Canada (8), Brazil (6) and Denmark (4). Not one of the listed studies was conducted in Australia. We should be asking why. Australia no longer lacks the case numbers to make estimates of vaccine effectiveness. We collect good data on vaccination status, infections (including viral variants), hospitalisations and deaths, plus the information needed to adjust for confounding of the associations between vaccine exposure and outcomes. However, authorities have not linked these datasets at individual level and made them available for detailed analysis. This situation should not continue. There are well established principles for protecting the privacy of individuals who are included in routinely collected data.3 The Commonwealth and state governments and relevant agencies seem unable or unwilling to link and properly analyse these data. Consequently, they should ensure that regularly updated comprehensively linked de-identified datasets can be accessed by qualified researchers. Stephen Duckett has recently called for an Australian review of lessons from the COVID-19 pandemic using a systems rather than a punitive lens.4 We agree. Better linkage, access and analysis of our health system data should be high on the list. No relevant disclosures.
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».