Early Real-World Data to Assess Benefits and Risks of COVID-19 Vaccines: A Systematic Review of Methods
Notice bibliographique
Résumé
Since the authorization of the first COVID-19 vaccines in December 2020, multiple studies using real-world data (RWD) have been published to assess their effectiveness/safety profile. This systematic review aimed to characterize the methods and outcomes of studies using RWD for assessment of COVID-19 vaccines, four months after vaccine approval. MEDLINE and EMBASE were searched to identify published studies until 6 May 2021. Two independent researchers selected relevant publications and extracted data from included studies. The risk of bias was assessed using New-Castle Ottawa tools. After screening 1086 studies, 15 were included. Out of the 15 studies, 12 (80%) followed a cohort design, 8 (53%) were based on USA data, 7 (47%) assessed health care professionals, and 14 articles (93%) assessed the BNT162b2 vaccine. Data sources included institutional databases, electronic health records, and patient-generated data. The primary endpoint mainly described was SARS-CoV-2-infection. Hospitalization and mortality were assessed in 2 studies. For the comparability domain, six studies (40%) had a high risk of bias. A few months after the beginning of COVID-19 vaccination, Real-world Evidence (RWE) provided timely safety surveillance and comparative effectiveness with findings that showed similar findings to Randomized control trial (RCT). Most of the initiatives assessed BNT162b2 and were conducted in the USA and used healthcare workers' data.
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 | 0,007 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».