MétaCan
Menu
← Retour à la cohorte
Enregistrement W4391316443 · doi:10.1177/20543581231224127

Humoral Response Following 3 Doses of mRNA COVID-19 Vaccines in Patients With Non-Dialysis-Dependent CKD: An Observational Study

2024· article· en· W4391316443 sur OpenAlexafffundabout
Omosomi Enilama, Kevin Yau, Lee Er, Mohammad Atiquzzaman, Matthew J. Oliver, Marc G. Romney, Jerome A. Leis, Kento T. Abe, Freda Qi, Karen Colwill, Anne‐Claude Gingras, Michelle Hladunewich, Adeera Levin

Notice bibliographique

RevueCanadian Journal of Kidney Health and Disease · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 and COVID-19 Research
Établissements canadiensUniversity of TorontoSt. Paul's HospitalSinai Health SystemSunnybrook Health Science CentreOntario Stroke NetworkLunenfeld-Tanenbaum Research InstituteMount Sinai HospitalHealth Sciences CentreUniversity of British ColumbiaProvidence Health Care
Organismes subventionnairesGovernment of Canada
Mots-clésMedicineInterquartile rangeDialysisInternal medicineKidney diseaseSerologyRenal functionPopulationCreatinineVaccinationAntibodyImmunology

Résumé

récupéré en direct d'OpenAlex

Background: Chronic kidney disease (CKD) is associated with a lower serologic response to vaccination compared to the general population. There is limited information regarding the serologic response to coronavirus disease 2019 (COVID-19) vaccination in the non-dialysis-dependent CKD (NDD-CKD) population, particularly after the third dose and whether this response varies by estimated glomerular filtration rate (eGFR). Methods: The NDD-CKD (G1-G5) patients who received 3 doses of mRNA COVID-19 vaccines were recruited from renal clinics within British Columbia and Ontario, Canada. Between August 27, 2021, and November 30, 2022, blood samples were collected serially for serological testing every 3 months within a 9-month follow-up period. The severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) anti-spike, anti-receptor binding domain (RBD), and anti-nucleocapsid protein (NP) levels were determined by enzyme-linked immunosorbent assay (ELISA). Results: Among 285 NDD-CKD patients, the median age was 67 (interquartile range [IQR], 52-77) years, 58% were men, 48% received BNT162b2 as their third dose, 22% were on immunosuppressive treatment, and COVID-19 infection by anti-NP seropositivity was observed in 37 of 285 (13%) patients. Following the third dose, anti-spike and anti-RBD levels peaked at 2 months, with geometric mean levels at 1131 and 1672 binding antibody units per milliliter (BAU/mL), respectively, and seropositivity rates above 93% and 85%, respectively, over the 9-month follow-up period. There was no association between eGFR or urine albumin-creatinine ratio (ACR) with mounting a robust antibody response or in antibody levels over time. The NDD-CKD patients on immunosuppressive treatment were less likely to mount a robust anti-spike response in univariable (odds ratio [OR] 0.43, 95% confidence interval [CI]: 0.20, 0.93) and multivariable (OR 0.52, 95% CI: 0.25, 1.10) analyses. An interaction between age, immunoglobulin G (IgG) antibody levels, and time was observed in both unadjusted (anti-spike: P = .005; anti-RBD: P = .03) and adjusted (anti-spike: P = .004; anti-RBD: P = .03) models, with older individuals having a more pronounced decline in antibody levels over time. Conclusion: Most NDD-CKD patients were seropositive for anti-spike and anti-RBD after 3 doses of mRNA COVID-19 vaccines and we did not observe any differences in the antibody response by eGFR.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,076
Tête enseignante GPT0,393
Écart entre enseignants0,317 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Kidney Health and Disease→Même sujetSARS-CoV-2 and COVID-19 Research→Travaux en français237 207→