MétaCan
Menu
Retour à la cohorte
Enregistrement W4391609746 · doi:10.3389/fmed.2023.1322396

Relative effectiveness of bivalent COVID-19 vaccine: a systematic review and meta-analysis

2024· review· en· W4391609746 sur OpenAlexaboutno aff
Meng-qun Cheng, Rong Li, Zhiying Weng, Song Gao

Notice bibliographique

RevueFrontiers in Medicine · 2024
Typereview
Langueen
DomaineMedicine
ThématiqueSARS-CoV-2 and COVID-19 Research
Établissements canadiensnon disponible
Organismes subventionnairesYunnan Provincial Science and Technology DepartmentKunming Medical University
Mots-clésMedicineMeta-analysisObservational studyConfidence intervalCochrane LibraryInternal medicineRandomized controlled trialRelative riskCohort studySystematic reviewMEDLINEBiology

Résumé

récupéré en direct d'OpenAlex

Objective: The rapid development of COVID-19 bivalent vaccines (BVs) has encompassed both the original virus strains and the variant strain. However, the effectiveness of BVs is largely unknown. Therefore, we conducted a systematic review and meta-analysis of the effectiveness of BVs. Methods: Literature research was conducted through PubMed, Cochrane Library, Embase, and Web of Science up until November 4, 2023. Both randomized control trials and observational studies were considered for inclusion. Pooled estimates were calculated using a random effects model. The Newcastle-Ottawa Scale (NOS) was used to assess the risk of bias in cohort and case-control studies. Results: A total of 1,174 articles were reviewed and 22 eligible studies were included. All included studies were observational (15 cohort studies, 7 case-control studies). The total number of participants was 39,673,160, and the number of people vaccinated with BVs as an intervention group was 11,585,182. Two mRNA BVs were mainly involved, including the ancestral strain and the BA.1 or BA.4-5 variants. Meta-analysis results showed, compared with the monovalent vaccines (MVs), the relative effectiveness (rVE) of the BVs in COVID-19-associated infections/symptomatic infections, illnesses, hospitalizations, and deaths was 30.90% [95% confidence interval (CI), 8.43-53.37], 39.83% (95% CI, 27.34-52.32), 59.70% (95% CI, 44.08-75.32), and 72.23% (95% CI, 62.08-82.38), respectively. For those aged 50 years and older, BVs provided an additional 49.69% (95% CI, 41.44-57.94) effective protection compared with MVs. During the dominance period of the omicron XBB variant strain, BVs provided an additional 47.63% (95% CI, 27.45-67.82) effective protection compared with MVs. Conclusion: Our findings show that the rVE of BVs in preventing COVID-19-associated infections, symptomatic infections, illnesses, hospitalizations, and deaths is higher compared to MVs. Particularly for people over 50 years of age and during the Omicron variant XBB dominance phase, BVs provided superior protection. Therefore, BVs may have a broader application in the prevention and control of coronaviruses variant.

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)0,018
score de la tête « metaresearch » (Gemma)0,041
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: Méta-analyse
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,095

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0180,041
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0230,046
Bibliométrie0,0080,008
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0030,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,111
Tête enseignante GPT0,447
Écart entre enseignants0,336 · 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'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

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

En bref

Citations8
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFrontiers in MedicineMême sujetSARS-CoV-2 and COVID-19 ResearchTravaux en français237 207