Background incidence rates of health outcomes of interest for COVID-19 vaccine safety monitoring in a US population: a claims database analysis
Notice bibliographique
Résumé
OBJECTIVE: To evaluate background incidence rates of 59 health outcomes of interest (HOI) in a diverse population, including important subpopulations, during the pre-COVID-19 era (1 January 2017-31 December 2019) and the COVID-19 era (1 March 2020-31 December 2020), before the introduction of COVID-19 vaccines. DESIGN: Observational retrospective cohort study. Annual incidence rates and 95% confidence intervals (CIs) of HOIs were estimated for each population of interest, stratified by: age, sex, age and sex and seasonality. DATA SOURCE: Optum's de-identified Clinformatics Data Mart Database (CDM). PARTICIPANTS: Individuals from the US general population and four subgroups of interest: influenza-vaccinated, paediatric (<18 years of age), elderly (≥65 years of age) and pregnant women. RESULTS: During the COVID-19 era, the incidence of several cardiac conditions, coagulation disorders and acute liver injury increased across all populations assessed while the rates of some dermatological and neurological HOIs decreased relative to the pre-COVID-19 era. The incidence of acute respiratory distress syndrome (ARDS) varied considerably by subgroup: among the elderly, it decreased annually during the pre-COVID-19 era but peaked during the COVID-19 era; among pregnant women, it slightly increased annually during the pre-COVID-19 era and substantially increased during the COVID-19 era; among paediatrics, it decreased annually over the entire study. The incidence of the majority of HOIs increased with age, but were generally comparable between sexes with few exceptions. Cardiac, gastrointestinal, neurological and haematological HOIs, along with acute kidney injury and ARDS, were more common in males, whereas several immunological HOIs and chilblain-like lesions were more common in females. Pregnancy-related HOIs did not increase during the COVID-19 era, except for spontaneous abortions which increased annually over the entire study. CONCLUSION: These observations help contextualise fluctuations in background rates of adverse events noted during the COVID-19 era, and provide insight on how their use may impact safety surveillance for other vaccines.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 ».