SARS-CoV-2 Infection Risk by Vaccine Doses and Prior Infections Over 24 Months: ProHEpiC-19 Longitudinal Study
Notice bibliographique
Résumé
Background: As the vaccination campaign against COVID-19 progresses, it becomes crucial to comprehend the lasting effects of vaccination on safeguarding against new infections or reinfections. Objective: This study aimed to assess the risk of new SARS-CoV-2 infections based on the number of vaccine doses, prior infections, and other clinical characteristics. Methods: We defined a cohort of 800 health care workers in a 24-month study (March 2020 to December 2022) in northern Barcelona to determine new infections by SARS-CoV-2. We used extended Cox models, specifically Andersen-Gill (AG) and Prentice-Williams-Peterson, and we examined the risk of new infections. The AG model incorporated variables such as sex, age, job title, number of chronic conditions, vaccine doses, and prior infections. Additionally, 2 Prentice-Williams-Peterson models were adjusted, one for those individuals with no or 1 infection and another for those with 2 or 3 infections, both with the same covariates as the AG model. Results: The 800 participants (n=605, 75.6% women) received 1, 2, 3, and 4 doses of the vaccine. Compared to those who were unvaccinated, the number of vaccine doses significantly reduced (P<.001) the risk of infection by 66%, 81%, 89%, and 99%, respectively. Unit increase in the number of prior infections reduced the risk of infection by 75% (P<.001). When separating individuals by number of previous infections, risk was significantly reduced for those with no or 1 infection by 61% (P=.02), and by 88%, 93%, and 99% (P<.001) with 1, 2, 3, or 4 doses, respectively. In contrast, for those with 2 or 3 previous infections, the reduction was only significant with the fourth dose, at 98% (P<.001). The number of chronic diseases only increased the risk by 28%-31% (P<.001) for individuals with 0-1 previous infections. Conclusions: The study suggests that both prior infections and vaccination status significantly contribute to SARS-CoV-2 immunity, supporting vaccine effectiveness in reducing risk of reinfection for up to 24 months after follow-up from the onset of the pandemic. These insights contribute to our understanding of long-term immunity dynamics and inform strategies for mitigating the impact 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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».