MétaCan
Menu
Retour à la cohorte
Enregistrement W4307657527 · doi:10.2196/41914

The Incidence and Effect of Adverse Events Due to COVID-19 Vaccines on Breakthrough Infections: Decentralized Observational Study With Underrepresented Groups

2022· article· en· W4307657527 sur OpenAlexvenueno aff
Irene S. Gabashvili

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueVaccine Coverage and Hesitancy
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésObservational studyPandemicMedicineVaccinationAdverse effectPopulationCoronavirus disease 2019 (COVID-19)DemographyIncidence (geometry)Family medicineEnvironmental healthImmunologyInternal medicineDisease

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Despite continuing efforts to improve the inclusion of underserved groups in clinical research, gaps in diversity remain. Participation of special populations is especially important when facing problems of unprecedented complexity such as the COVID-19 pandemic. A better understanding of factors associated with the immune response in diverse populations would advance future preventive and curative approaches. OBJECTIVE: The objective of this study was to investigate the factors potentially responsible for adverse events following COVID-19 immunization. The study population included adults from rural areas, transitional countries, and those with medically understudied conditions, across a broad age range. METHODS: The study evolved from peer support networks developed during the COVID-19 pandemic. Participants were recruited digitally through online neighborhood and health communities. Some of the participants volunteered as study investigators assisting with offline recruitment and safety monitoring. Individuals who consented to participate were asked to share their vaccination experiences either using constantly evolving web-based surveys or via one-on-one communication. Inferential statistical analysis to estimate differences between study groups was performed using parametric and nonparametric tests. RESULTS: Of 1430 participants who shared their vaccination experiences, 648 had outcome measures at their 1.5-year follow-up. Significant differences were found between age groups, types of vaccine adverse events (VAEs), incidences of breakthrough infections, and health conditions linked to the microbiome. Pairwise comparisons showed that VAEs interfering with daily activities were significantly higher in both younger (18-59 years) and older age groups (80-100 years, P<.001) than in the 60-79-year age group. Short-term VAEs were associated with lower incidence of breakthrough COVID-19 infections relative to those who reported either minimal or long-term adverse events (P<.001). A genetic origin was suggested for some adverse reactions. CONCLUSIONS: The findings of this study demonstrate that vaccine adverse reactions in older individuals are being overlooked, and the incidence of VAEs impairing immunity may be higher than previously perceived. Better preventive measures are needed for all those at risk for life-threatening and long-term adverse events due to vaccination. Supportive community-based studies focusing on these populations could add important data to the current body of knowledge. Further and more comprehensive studies should follow. TRIAL REGISTRATION: ClinicalTrials.gov NCT04832932; https://clinicaltrials.gov/ct2/show/NCT04832932. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.1101/2021.06.28.21256779.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,011
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,095
Tête enseignante GPT0,460
Écart entre enseignants0,365 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations3
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetVaccine Coverage and HesitancyTravaux en français237 207