Evaluation of the 2018–2019 vaccine effectiveness against medically attended influenza-like illness using medical records and claims data
Notice bibliographique
Résumé
BACKGROUND: Healthcare administrative databases are a rich source of information that could be leveraged to estimate real-world influenza vaccine effectiveness (VE). We aimed to evaluate the VE of standard egg-based influenza vaccines and determine if administrative healthcare data provide accurate VE estimates compared to the US CDC data. METHODS: This retrospective cohort study was conducted during the 2018-2019 influenza season. Individuals who had at least one relevant record per year between 2015 and 2019 in their electronic medical record were included. Individuals were considered protected 14 days after receiving an influenza vaccine. The outcome was the occurrence of medically attended influenza-like illness (MA-ILI) defined by clinical diagnostic codes. Adjusted odds ratios (aORs) were derived from multivariate logistic regression and adjusted VE (aVEs) were calculated using 100 × (1-aORs). RESULTS: A total of 5,066,980 individuals were included in the analysis with 1,307,702 (25.8%) considered vaccinated. Overall, the median age was 54 (IQR, 32-66) and 58.1% were female. Vaccine protection against MA-ILI was moderate in children and low in adults. All estimates were lower than VEs reported by the CDC for the 2018-2019 influenza season. Our results were robust to potential loss to follow up, but misclassification bias and residual confounding led to underestimation of the 2018-2019 aVE. When stratified by the number of primary care visits, aVE estimates and vaccination coverage increased with the number of primary care visits, reaching estimates similar to those obtained by the US CDC and US national vaccination coverage among those with ≥ 6 primary care visits, resulting in significant positive vaccine protection in frequent healthcare users. CONCLUSIONS: Moderate and low aVEs were observed during the 2018-2019 season using administrative healthcare data, which was likely due to detection and misclassification biases, correlated with healthcare seeking behaviour, leading to an underestimation of the 2018-2019 influenza VE.
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 | 0,022 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».