Updating the impact of mRNA COVID-19 vaccine exposure during pregnancy on obstetric and neonatal outcomes
Notice bibliographique
Résumé
Being a new vaccine platform, continuous monitoring of the mRNA COVID-19 vaccines in pregnant women is of critical importance. This systematic review and meta-analysis evaluate the maternal and neonatal outcomes associated with mRNA COVID-19 vaccination during pregnancy. We conducted a systematic search of PubMed, Embase, Cochrane Library, and clinical trial registries for studies published between December 2020 and July 2024. Studies were included if they assessed obstetric and neonatal outcomes following mRNA COVID-19 vaccination in pregnant women. Data were extracted and analyzed using a random-effects model to calculate pooled odds ratios (ORs) and 95 % confidence intervals (CIs). Fifteen studies met the inclusion criteria, encompassing 42,944 vaccinated and 183,733 unvaccinated pregnant women. mRNA vaccination was associated with a significant reduction in preterm delivery (OR 0.743, 95 % CI 0.607-0.911), fetal distress (OR 0.699, 95 % CI 0.546-0.893), neonatal congenital abnormalities (OR 0.712, 95 % CI 0.570-0.889), and NICU admissions (OR 0.718, 95 % CI 0.617-0.836). However, a slight increase in gestational diabetes risk was observed (OR 1.107, 95 % CI 1.054-1.162). mRNA COVID-19 vaccines are safe during pregnancy and associated with reduced risks of adverse obstetric and neonatal outcomes. An observed marginal increase in gestational diabetes risk underscores the need for continuous monitoring. These findings support the inclusion of pregnant women in vaccination campaigns and inform public health policies and clinical practices to improve maternal and neonatal health outcomes.
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 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,002 | 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) | 0,000 | 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 ».