The role of co-morbidities in the development of an AEFI after COVID-19 vaccination in a large prospective cohort with patient-reported outcomes in the Netherlands
Notice bibliographique
Résumé
BACKGROUND: The effect of a preexisting comorbidity on the occurrence of adverse events after immunization (AEFIs) has been studied poorly. In this longitudinal cohort study, we assess the association between co-morbidities and the occurrence of AEFIs after COVID-19 vaccination. Also, we described the occurrence of flare-ups and their manifestation after COVID-19 vaccination in people with rheumatic diseases. RESEARCH DESIGN AND METHODS: We performed multivariable logistic regression to investigate the association between the occurrence of AEFIs and 10 common comorbidities using patient-reported data from people vaccinated with the AstraZeneca, Johnson&Johnson, Moderna, or Pfizer vaccine. RESULTS: Occurrence of any AEFI, injection site reactions, headache, fatigue, and/or malaise was significantly associated with presence of comorbidities, including psychological disorders, musculoskeletal disorders, and endocrine disorders after the first and second doses (OR ranges 1.23-1.77). One participant with rheumatoid arthritis experienced a flare-up after receiving the first dose of the AstraZeneca vaccine. DISCUSSION/CONCLUSION: The results showed that the odds of reporting an AEFI after COVID-19 vaccination is significantly higher in the presence of some comorbidities whilst flare-ups are uncommon after receiving COVID-19 vaccination in people with rheumatic disease. In-depth research is needed to validate our results and unravel the observed associations from a mechanistic perspective.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».