Real-world evidence of sotrovimab effectiveness for preventing severe outcomes in patients with COVID-19: A quality improvement propensity-matched retrospective cohort study of a pan-provincial program in Alberta, Canada
Notice bibliographique
Résumé
OBJECTIVES: Post-marketing surveillance of sotrovimab's effect during implementation in the Canadian population is limited. METHODS: The study used a propensity score-matched retrospective cohort design. Follow-up began between the periods of December 15, 2021 and April 30 2022. The study assessed any severe outcome defined as all-cause hospital admission or mortality within 30 days of a confirmed COVID-19-positive test. Covariate-adjusted odds ratios between sotrovimab treatment and the severe outcome was conducted using logistic regression. RESULTS: There were 22,289 individuals meeting the treatment criteria for sotrovimab. There were 1603 treated and 6299 untreated individuals included in the analysis. The outcome occurrence in the study was 5.49% (treated) and 4.21% (untreated), with a median time from diagnosis to treatment of 1.00 days (interquartile range 2.00 days). In the propensity-matched cohort, sotrovimab was not associated with lower odds of a severe outcome (odds ratio 1.20, 95% confidence interval 0.91-1.58), adjusting for confounding variables. CONCLUSIONS: After adjusting for confounding variables, sotrovimab treatment was not associated with lower odds of a severe outcome within 30-days of COVID-19-positive date.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».