COVID-19 vaccines and autoimmune disorders: A scoping review protocol
Notice bibliographique
Résumé
Abstract Background Two years into the global vaccination program, important questions about the association between COVID-19 vaccines and autoimmune diseases have arisen. A growing number of reports have documented associations between COVID-19 vaccination and autoimmunity, suggesting, for example, a causal link between vaccination and new-onset and/or relapsing autoimmune disorders such as type 1 diabetes mellitus, rheumatoid arthritis, multiple sclerosis, systemic lupus erythematosus, Graves disease, and Hashimoto’s thyroiditis. These autoimmune phenomena have occurred with various COVID-19 vaccines and research is required to elucidate the underlying mechanisms and causal directions, for example, whether persons with no history of autoimmune disorders may experience them upon vaccination or persons with autoimmune disorders may experience exacerbation or new adverse events post-vaccination. Methods and analysis Specific objectives of this scoping review will address the following questions: Can COVID-19 vaccination trigger and/or exacerbate autoimmune disorders? Are persons with autoimmune disorders at higher risk of experiencing additional autoimmune disorders? What are the mechanisms connecting autoimmune disorders with COVID-19 vaccination? Can COVID-19 vaccination interact with immunosuppressive therapy in persons with autoimmune disorders? Does the risk of autoimmune disorders following COVID-19 vaccination differ by vaccine type, age, gender, or other still unidentified characteristics (e.g., SES)? What is the consensus of care concerning COVID-19 vaccination in persons with autoimmune disorders and what evidence informs it? Our review will follow Arksey and O’Malley’s (2005) framework, enhanced by Levac et al.’s team-based approach (2010), and adhering to the recommendations of the Preferred Reporting Items for Systematic reviews and Meta-Analyses extension for Scoping Reviews (PRISMA-ScR) Checklist. To capture the broadest range of perspectives on the phenomenon of interest, data will be synthesized through numerical summaries describing general characteristics of included studies and thematic analysis. Subgroup analysis of primary outcomes will be performed to compare findings according to 1) the previous existence of autoimmune disorder, 2) the presence of relevant co-morbidities, 3) vaccine type; and other relevant factors that we may encounter as the research proceeds. Significance COVID-19 has triggered the largest vaccination campaign in history, targeting literally the global human community. Drug safety is a crucial aspect of any medical intervention, critical to a proper assessment of the balance of risks and benefits. Our investigation should yield information useful to improve medical and public health practice in multiple ways, including assisting in clinical decision-making, policy development, and ethical medical practice.
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 | 0,044 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,011 | 0,010 |
| Bibliométrie | 0,025 | 0,019 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,005 |
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 ».