The Effectiveness and Influence of COVID‐19 Vaccination on Perinatal Individuals and Their Newborns: An Updated Meta‐Analysis
Notice bibliographique
Résumé
Background: The COVID‐19 pandemic has disproportionately affected pregnant individuals, increasing risks of severe illness and adverse outcomes. While vaccination is a key mitigation strategy, initial exclusion from clinical trials led to limited safety data. Despite evidence of vaccine effectiveness, hesitancy persists in this population. Objective and Sources: This meta‐analysis aims to evaluate the efficacy and impact of COVID‐19 vaccination in pregnant individuals, synthesizing evidence from 82 studies (3,676,654 participants) retrieved from PubMed, Embase, Cochrane Library, and Scopus (2019–2024). Study quality was assessed using the Newcastle–Ottawa scale (80/82 scored ≥ 7). Key Findings: Vaccination reduced maternal SARS‐CoV‐2 infection risk by 48% (odds ratio [OR] = 0.52), with mRNA vaccines showing higher efficacy (52% vs. 43% for inactivated). Maternal hospitalization risk decreased by 42% (OR = 0.58), and severe outcomes by 50% (OR = 0.50). Furthermore, neonatal outcomes improved, including reduced infection (OR = 0.69), preterm birth (OR = 0.87), stillbirth (OR = 0.64), and neonatal death (OR = 0.47). Protection against neonatal death was stronger in individuals without prior infection (OR = 0.43). Third‐trimester vaccination may offer better protection against preterm birth. Conclusion: Overall, COVID‐19 vaccination during pregnancy effectively mitigates infection and adverse maternal/neonatal outcomes, supporting its clinical recommendation.
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 | 0,013 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,060 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».