MétaCan
Menu
← Retour à la cohorte
Enregistrement W4405729655 · doi:10.1101/2024.12.19.24319150

Impact of COVID-19 vaccine doses and viral waves on inflammatory and immunological responses to COVID-19 infections in India

2024· preprint· en· W4405729655 sur OpenAlexaff
Kamal Kant Sharma, Yogesh N. Marathe, Sanaa Shaikh, Patrícia Costa, Gaurav Gupta, Μolin Wang, Wafaie Fawzi, Kevin C. Kain, Nerges Mistry, Yatin Dholakia

Notice bibliographique

RevuemedRxiv · 2024
Typepreprint
Langueen
DomaineMedicine
ThématiqueCOVID-19 Clinical Research Studies
Établissements canadiensUniversity of TorontoUniversity Health Network
Organismes subventionnairesFondation pour la Recherche MédicaleHarvard T.H. Chan School of Public Health
Mots-clésCoronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakVirologyMedicineImmunologyOutbreakInternal medicineInfectious disease (medical specialty)Disease

Résumé

récupéré en direct d'OpenAlex

Abstract Background Investigation of the effect of SARS-CoV-2 variants and COVID-19 vaccination on inflammatory and immune response to SARS-CoV-2 infection is limited in South Asia. Objectives We aimed to examine the impact of COVID-19 vaccination and waves of COVID- 19 on inflammatory and immunological biomarkers among COVID-19 patients in India. Methods This cross-sectional analysis used baseline data from a randomized controlled trial of vitamin D and zinc during COVID-19 infection in India (N=181). Blood samples and data regarding vaccination doses were collected. The second (Delta) or third (Omicron) wave was determined by date of enrolment. Mixed effects linear regression with robust standard errors was used to examine associations between COVID-19 vaccination dose or wave at enrolment and C-Reactive Protein (CRP), ferritin, lactate dehydrogenase (LDH), D-dimer, interleukin-6 (IL-6), angiopoietin-2 (Ang-2), soluble triggering receptor expressed on myeloid cells-1 (sTREM-1), immunoglobulin G (IgG) and immunoglobulin M (IgM). Results Compared to no vaccination, full vaccination was associated with lower LDH ( P< 0.001), D-dimer ( P= 0.521) and Ang-2 ( P= 0.046), and higher IgG levels ( P< 0.001). Partial vaccination was associated with lower IL-6 ( P= 0.040) and higher IgG ( P< 0.001). Enrolment during the third wave was associated with lower IL-6 ( P< 0.001), CRP ( P= 0.056), IgM ( P= 0.013), and IgG ( P< 0.001), but higher D-dimer levels ( P< 0.001). Conclusions COVID-19 vaccination status and SARS-CoV-2 variant influence the inflammatory and immunologic response during SARS-CoV-2 infection, contributing to the severity of clinical presentation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,462
Écart entre enseignants0,398 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetCOVID-19 Clinical Research Studies→Travaux en français237 207→