Temporal trends in online searches related to COVID-19 vaccine safety: A digital infodemiology study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: The rapid development of COVID-19 vaccines may have raised public concerns about their safety and side effects in the United States (US). This study aimed to assess trends in online searches related to the safety and side effects of COVID-19 vaccines in the US from 2021-2022. Methods: Google COVID-19 Vaccination Search Insights was used to analyze searches about COVID-19 vaccine safety and side effects in the US from January 4, 2021, to November 21, 2022 (98 weeks). Data were scaled from 0 (low interest) to 100 (high interest) as a fixed scaling factor called scaled normalized interest (SNI) to indicate relative search interest over time and by location. A joinpoint regression analysis was used to determine the search trends during the study period. Results: Analysis included 709 counties across 38 US states. Searches of COVID-19 vaccine safety and side effects peaked in April 2021 in the District of Columbia (SNI: 35.8), Massachusetts (29.7), New Hampshire (27.4), Connecticut (27.3), and Maine (26.7), then decreased significantly by an average monthly percentage change (AMPC) of -16.6% (95% CI -19.9 to -13.3) until July 2022. Overall AMPC from January 2021 to November 2022 was -8.9% (95% CI -16.2 to -0.9; P<0.001). Conclusion: Online searches related to COVID-19 vaccine safety and side effects decreased dramatically over time, supporting the utility of digital surveillance to track real-time vaccine safety concerns. This study provides insights into public interest in COVID-19 vaccine risks and can help monitor potential safety issues.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 découle