A narrative review of vaccine pharmacovigilance during mass vaccination campaigns: Focus on myocarditis and pericarditis after COVID‐19 mRNA vaccination
Notice bibliographique
Résumé
Vaccines have had a tremendous impact on reducing the burden of infectious diseases; however, they have the potential to cause adverse events following immunization (AEFIs). Prelicensure clinical trials are limited in their ability to detect rare AEFIs that may occur in less than one per thousand individuals. While postmarketing surveillance systems have shown COVID-19 mRNA vaccines to be safe, they led to the identification of rare cases of myocarditis and pericarditis after COVID-19 vaccination that were not initially detected in clinical trials. In this narrative review, we highlight concepts of vaccine pharmacovigilance during mass vaccination campaigns and compare the approaches used in the context of myocarditis and pericarditis following COVID-19 vaccination to historical examples. We describe mechanisms of passive and active surveillance, their strengths and limitations, and how they interacted to identify and characterize the safety signal of myocarditis and pericarditis after COVID-19 mRNA vaccination. Articles were synthesized from a PubMed search using relevant keywords for articles published on vaccine surveillance systems and myocarditis and pericarditis after COVID-19 vaccination, as well as the authors' collections of relevant publications and grey literature reports. The global experience around the identification and monitoring of myocarditis and pericarditis after COVID-19 mRNA vaccination has provided important lessons for vaccine safety surveillance and highlighted its importance in maintaining public trust in mass vaccination programmes in a pandemic context.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,005 | 0,006 |
| 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 | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 ».