Effects of COVID-19 vaccination and past SARS-CoV-2 infection on subsequent COVID-19 infection in people with HIV
Notice bibliographique
Résumé
BACKGROUND: This study aims to estimate the time-varying effects of primary and booster COVID-19 vaccination and past SARS-CoV-2 infection on subsequent SARS-CoV-2 infection (including new infection and re-infection) in people with HIV (PWH). METHODS: A population-based cohort was retrieved from the integrated statewide HIV electronic health record (EHR) dataset, COVID-19 vaccination dataset, and COVID-19 diagnoses dataset between March 2, 2020 and April 14, 2022. The pre-specified outcome was any SARS-CoV-2 infection. We used Cox regression to estimate the time-varying effects of primary and booster vaccination and past infection on the risks of subsequent SARS-CoV-2 infection. RESULTS: A total of 18,509 eligible PWH who had documentation of COVID-19 testing or COVID-19 vaccination records were included for analysis. The effectiveness of primary vaccination against infection, compared with being unvaccinated, was relatively low (26.70 %, 95 % CI: 12.10 %, 38.88 %) at two months, while the effectiveness of a booster dose after two months was high (43.53 %, 95 %CI: 27.54 %, 55.99 %), compared with primary vaccination only (e.g., first two doses of Pfizer or Moderna, or the single dose of Janssen). The effectiveness of past COVID-19 infection during Pre-Delta and Delta dominant periods at one month against reinfection was (67.43 %; 95 %CI: 52.74 %, 77.55 %) and (64.57 %; 95 %CI: 1.39 %, 87.27 %), respectively. CONCLUSION: Natural immunity conferred from past COVID-19 infection in PWH against reinfection appeared to be higher than vaccine-induced immunity. Boosters were more effective than the primary series alone in preventing subsequent infection.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 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 | 0,001 | 0,001 |
| 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 ».