探索主要自身免疫性疾病中的疫苗安全性和不良事件

科学领域:

• 免疫学 免疫学 免疫学
• 疫苗学 疫苗学 疫苗学
• 数据科学数据科学数据科学

背景情况:

• 自身免疫性疾病影响着大量人口,需要仔细考虑疫苗接种安全性.
• 在患有自身免疫性疾病的个体中,疫苗接种后不良事件 (AE) 需要彻底调查.
• 针对自身免疫群体疫苗安全性的现有数据可用于预测建模.

研究的目的:

• 为了评估疫苗接种后的不良事件,在一大群患有各种主要自身免疫性疾病的患者中进行评估.
• 确定预测因素,并开发机器学习模型,用于在自身免疫患者接种疫苗后发生的严重不良事件.
• 提高对自身免疫群体潜在疫苗风险的认识,并为更安全的疫苗接种策略提供信息.

主要方法:

• 对患有各种自身免疫性疾病的患者的大型数据集的分析,包括哈西莫托氏症,类风湿性关节炎和系统性红斑狼.
• 利用机器学习预测分类模型来识别严重不良事件 (住院或死亡) 的关键预测因素.
• 在模型开发中包括临床和人口预测因素,如年龄,性别,疫苗类型,剂量系列和疫苗路线.

主要成果:

• 在大多数自身免疫疾病中,在疫苗不良事件中观察到一致的女性占主导地位.
• 机器学习模型显示严重不良事件的高预测性能 (AUC 0.90-0.98),具有疾病特异性风险概况.
• 与其他间隔相比,在接种疫苗后的第一周和第六周后,不良事件显著增加.

结论:

• 在自身免疫群体中,疫苗安全监测至关重要,因为严重不良事件的风险概况是不同的.
• 机器学习模型可以有效地预测疫苗接种后的严重事件,有助于个性化风险评估.
• 了解不良事件的时间模式可以指导针对自身免疫患者的优化疫苗接种计划和监测协议.