Impact de la vaccination répétée sur l'efficacité de terrain du vaccin antigrippal de 2018-2019 : une étude de cohorte rétrospective
Bibliographic record
Abstract
Bien qu'il s'agisse d'une maladie évitable par la vaccination, la grippe cause annuellement environ 3 à 5 millions de cas de maladie grave et environ 290 000 à 650 000 décès dans le monde. Pour prévenir l'infection et ses complications, la vaccination antigrippale est généralement recommandée pour toutes les personnes de 6 mois et plus. La vaccination annuelle est nécessaire en raison des perpétuels changements antigéniques des virus de la grippe; par conséquent, les souches incluses dans les vaccins antigrippaux sont régulièrement mises à jour. Ainsi, l'efficacité de terrain des vaccins antigrippaux (EV) varie d'une saison à l'autre, ce qui nécessite une surveillance constante pour évaluer l'impact des programmes de vaccination contre la grippe saisonnière au fil du temps. Les données médico-administratives sont une riche source d'informations qui pourraient être exploitées pour estimer l'efficacité réelle des vaccins antigrippaux. De plus, des études récentes ont rapporté que la réponse immunitaire à l'infection grippale et à la vaccination peut être altérée par des expositions antérieures, ce qui pourrait affecter l’efficacité de terrain des vaccins antigrippaux. Cette thèse visait à déterminer si les données médico-administratives fournissent des estimations valables de l'EV et à évaluer l'impact de la vaccination répétée et d’une infection antérieure par les virus de la grippe sur l'EV contre le syndrome d’allure grippale (SAG). \nNous avons d'abord effectué une revue systématique de la littérature pour évaluer l'impact de la vaccination antigrippale sur la réduction des visites médicales pour un SAG, des hospitalisations pour un SAG, des hospitalisations pour la grippe confirmée en laboratoire (LCI) et des hospitalisations toutes causes confondues. Nous avons identifié que la spécificité des résultats joue un rôle crucial dans l'estimation de l'EV et que la propension à utiliser des soins de santé peut introduire un biais dans les études d'EV si la propension à consulter pour un SAG est influencée par le statut vaccinal, mais également si la capacité à capturer le statut vaccinal et l’issue (SAG) est tributaire de la propension à consulter. Par la suite, nous avons constaté que les courbes d'incidence des consultations médicales liées à un SAG spécifique, dérivées des codes de diagnostic clinique spécifiques à l'infection grippale, étaient très similaires aux données de surveillance des Centers for Disease Control and Prevention (CDC) des États-Unis pour le LCI, suggérant ainsi qu'il est plus approprié d'utiliser la définition de SAG spécifique à l’infection grippale pour une surveillance des cas de grippe plutôt qu'une définition large du SAG, lorsque seuls les codes de diagnostic clinique sont disponibles pour l'évaluation de l’infection grippale. \nEnsuite, l'efficacité de terrain des vaccins antigrippaux de 2018-2019 à prévenir les consultations médicales pour un SAG (spécifique à l’infection grippale) a été évaluée dans une cohorte d'individus américains ayant au moins un enregistrement pertinent par année, entre 2015 et 2019, dans leur dossier de santé électronique (DSE). Les rapports de cotes ajustés (aOR) ont été dérivés de modèles de régression logistique multivariés et les EVs ajustées ont été calculées à l'aide de 100x(1-aOR). Les estimations d’EVs dérivées des données médico-administratives étaient toutes plus petites que celles rapportées par les CDC américains, suggérant ainsi que l’utilisation secondaire de ces données médico-administratives a mené à une sous-estimation de l’EV probablement due à des biais de détection et de mauvaise classification corrélés avec la propension à utiliser des soins de santé. Lorsque les EVs sont stratifiées sur le nombre de visites médicales, les estimations d'EVs et la couverture vaccinale augmentent avec le nombre de visites médicales, atteignant des estimations similaires à celles obtenues par les CDC américains et la couverture vaccinale nationale des États-Unis pour les personnes ayant au moins 6 visites médicales lors des 12 mois précédents. Les résultats suggèrent ainsi que l'utilisation secondaire des données médico-administratives ne permet pas de produire des estimations valables de l’efficacité de terrain des vaccins antigrippaux, et ce, en l’absence de données complètes sur la vaccination et l'infection grippale. Cependant, ces données médico-administratives ont le potentiel d'évaluer l'efficacité de terrain des vaccins antigrippaux dans les populations considérées à haut risque de complications à la suite de l'infection, ce qui est difficile à faire avec une surveillance active, ainsi que dans les populations ayant des conditions de santé nécessitant un suivi médical soutenu; car la probabilité que le statut vaccinal et/ou l’infection grippale soient déclarés dans les données médico-administratives augmente avec le nombre de contacts avec le système de santé. \nEnfin, l'efficacité de terrain des vaccins antigrippaux de 2018-2019 à prévenir le SAG a été estimée en fonction de l’historique de la vaccination antigrippale et des antécédents de SAG chez les utilisateurs fréquents de soins de santé. Bien que l'EV semble diminuer avec l’augmentation du nombre de vaccinations précédentes, la vaccination antigrippale lors de la saison en cours offre probablement une protection contre le SAG, quels que soient les antécédents de vaccination, en particulier chez les enfants. Néanmoins, les antécédents de SAG pourraient atténuer l'effet négatif d'une vaccination antérieure sur l'EV, probablement en raison d’une immunité naturelle liée à l’infection grippale. Même si une vaccination antérieure peut atténuer l'EV de la saison en cours dans certaines circonstances, cet effet d'interférence est imprévisible et les antécédents de vaccination ou d'infection ne devraient pas influencer la décision de se faire vacciner contre la grippe. Jusqu'à ce que des vaccins antigrippaux universels efficaces soient disponibles et éliminent la nécessité d'une vaccination annuelle, la recommandation actuelle de la vaccination annuelle contre la grippe reste un bon moyen de se protéger et ainsi protéger les autres de l’infection et de ses complications, principalement pour les personnes à haut risque de complications.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.005 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".