Influenza vaccination and COVID-19 infection risk and disease severity: A systematic review and multilevel meta-analysis of prospective studies
Notice bibliographique
Résumé
BACKGROUND: In light of the Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) pandemic, the influence of influenza vaccination on the risk and severity of Coronavirus Disease 19 (COVID-19) has been a subject of debate. This systematic review and meta-analysis of prospective studies aim to assess the association between influenza immunization and the risk of SARS-CoV-2 infection and subsequent COVID-19 disease severity. METHODS: A comprehensive search of PubMed and Embase databases was performed to identify prospective studies published before March 2024. We focused on evaluating the effect of influenza vaccination on SARS-CoV-2 infection risk and severe COVID-19 outcomes, such as hospitalization and mortality. The analysis employed a multilevel random effects meta-analysis approach. The risk of bias assessment was conducted using the Newcastle-Ottawa Scale. RESULTS: From an initial pool of 5,863 records, 14 studies were selected for inclusion. The aggregated data yielded a summary relative risk (SRR) that showed no significant protective correlation between influenza vaccination and SARS-CoV-2 infection risk (SRR 0.95, 95% confidence interval [CI] 0.81-1.11), COVID-19-associated hospitalization (SRR 0.90, 95% CI 0.68-1.19), or COVID-19-related mortality (SRR 0.83, 95% CI 0.56-1.23). CONCLUSIONS: This systematic review and meta-analysis, based exclusively on prospective studies, demonstrates the lack of a proven protective effect of influenza vaccination against COVID-19 and related outcomes. Our results do not support a significant protective effect of influenza vaccination against the risk or severe outcomes of COVID-19.
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 | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,010 | 0,002 |
| Bibliométrie | 0,002 | 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 | 0,001 |
| 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 ».