COVID-19 Vaccine Safety Monitoring Studies in Low- and Middle-Income Countries (LMICs)—A Systematic Review of Study Designs and Methods
Notice bibliographique
Résumé
BACKGROUND: Post-marketing vaccine safety surveillance aims to monitor and quantify adverse events following immunization in a population, but little is known about their implementation in low- and middle-income countries (LMICs). We aimed to synthesize methodological approaches used to assess adverse events following COVID-19 vaccination in LMICs. METHODS: For this systematic review, we searched articles published from 1 December 2019 to 18 February 2022 in main databases, including MEDLINE and Embase. We included all peer-reviewed observational COVID-19 vaccine safety monitoring studies. We excluded randomized controlled trials and case reports. We extracted data using a standardized extraction form. Two authors assessed study quality using the modified Newcastle-Ottawa Quality Assessment Scale. All findings were summarized narratively using frequency tables and figures. RESULTS: Our search found 4254 studies, of which 58 were eligible for analysis. Many of the studies included in this review were conducted in middle-income countries, with 26 studies (45%) in lower-middle-income and 28 (48%) in upper-middle-income countries. More specifically, 14 studies were conducted in the Middle East region, 16 in South Asia, 8 in Latin America, 8 in Europe and Central Asia, and 4 in Africa. Only 3% scored 7-8 points (good quality) on the Newcastle-Ottawa Scale methodological quality assessment, while 10% got 5-6 points (medium). About 15 studies (25.9%) used a cohort study design and the rest were cross-sectional. In half of them (50%), vaccination data were gathered from the participants' self-reporting methods. Seventeen studies (29.3%) used multivariable binary logistic regression and three (5.2%) used survival analyses. Only 12 studies (20.7%) performed model diagnostics and validity checks (e.g., the goodness of fit, identification of outliers, and co-linearity). CONCLUSIONS: Published studies on COVID-19 vaccine safety surveillance in LMICs are limited in number and the methods used do not often address potential confounders. Active surveillance of vaccines in LMICs are needed to advocate vaccination programs. Implementing training programs in pharmacoepidemiology in LMICs is essential.
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 | 0,062 | 0,205 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,013 | 0,012 |
| Bibliométrie | 0,017 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».