Prevalence of menstrual alterations following COVID-19 vaccination: systematic review & meta-analysis
Notice bibliographique
Résumé
COVID-19 vaccines can lead to diverse local and systemic side effects, but there is limited evidence concerning their association with menstrual cycle changes. This study aimed to assess the prevalence of menstrual cycle alterations after COVID-19 vaccination among adult women. We systematically searched the PubMed, Web of Science and Science Direct databases for observational studies that included adult women and investigated the range of menstrual alterations. The quality of the studies was evaluated via the Newcastle–Ottawa scale. All the data were analyzed via Comprehensive Meta-Analysis Software Version 4.0. Forest plots were created to calculate the individual and pooled prevalence rates of different types of menstrual changes and 95% confidence intervals (CI) via fixed-effects and random-effects models, as appropriate. Heterogeneity was assessed with Q statistics and the I 2 test. Eleven studies, encompassing 26,283 adult women, met our eligibility criteria. Among the selected studies, five were cohort studies, five were cross-sectional studies, and one employed a case‒control design. The menstrual changes included abnormal cycle duration, dysmenorrhea, irregular cycles, and abnormal cycle flow (heavy and light flow), with pooled percentages of 27.3% (CI: 7.2–64.6%), 22% (CI: 5.2–59.4%), 16% (CI: 5.8–37.2%), 11.7% (CI: 5.8–22%), and 5.5% (CI: 2.3–12.5%), respectively. This review highlights the prevalence of menstrual changes after COVID-19 vaccination and emphasizes the importance of considering menstrual health as an integral part of postvaccination monitoring and health care interventions. However, longitudinal studies are essential for establishing a definitive causal relationship between COVID-19 vaccination and menstrual alterations.
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 | 0,009 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,013 | 0,006 |
| Bibliométrie | 0,001 | 0,004 |
| 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) | 0,001 | 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 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 ».