Immunogenicity and safety of the BNT162b2 mRNA COVID-19 vaccine in healthcare workers / A BNT162b2 mRNS-Pfizer-BioNTech-védooltás hatásosságának és immunogenitásának monitorozása egészségügyben dolgozókon.

Összefoglaló. Bevezetés: A SARS-CoV-2 koronavírus okozta COVID-19 általános egészségügyi és gazdasági krízist idézett elo. Célkituzés: A megfigyeléses vizsgálat célja a BNT162b2 mRNS-Pfizer-BioNTech-vakcina hatásosságának, biztonságosságának és immunogenitásának igazolása a Budai Irgalmasrendi Kórház dolgozóin. Módszer: A vakcina adása után elemeztük a COVID-19-fertozés elofordulását, az oltások utáni reakciókat, valamint a "spike" (S-) protein és a nukleokapszid (N)-protein elleni ellenanyag szintjének változását. Eredmények: A felmérésben részt vevo 295 dolgozó közül az oltást megelozoen 36 dolgozó esett át COVID-19-fertozésen (COVID-19-pozitív csoport). A második oltás után a megfigyelési idoszak három hónapjában COVID-19-fertozés nem alakult ki a felmérésben részt vevo oltott dolgozók körében. Az oltási reakciók enyhék voltak. A COVID-19-pozitív csoportban az N-antitestek medián küszöbértékindexe az elso vakcina után 4 héttel mérve szignifikánsan magasabb volt (28,37), mint a COVID-19-negatív (0,085) csoportban (p<0,0001). Az elso vakcina után 4 héttel az S-antitestek medián értéke (8015 U/ml) a COVID-19-pozitív csoportban szignifikánsan magasabb volt (p<0,0001), mint a COVID-19-negatív csoportban (23,18 U/ml). A COVID-19-negatív csoport S-antitest-középértéke a második vakcina után szignifikáns (p<0,0001), mintegy 500×-os emelkedést mutatott (23,18 U/ml rol 1173 U/ml-re). Egy vakcina hatásosságát a fertozések terjedésének megakadályozása igazolja. Következtetések: A második vakcina utáni megfigyelési idoszakban új COVID-19-fertozés nem volt az oltott dolgozók körében. A fertozésen át nem esett COVID-19-negatív egyének esetén az S-antitest emelkedése mérsékelt az elso oltás után, míg a második oltás után lényegesen emelkedik. A COVID-19-fertozésen átesett egyének csoportjában már az elso vakcina is jelentos S-antitest-termelodést vált ki. Orv Hetil. 2021; 162(39): 1551-1557. INTRODUCTION: The coronavirus disease 2019 (COVID-19) pandemic caused global public health and economic crises. OBJECTIVE: The aim of this observation study was to estimate the effectiveness, safety and elicited immune response of the BNT162b2 mRNA Pfizer-BioNTech vaccine in healthcare workers of the Buda Hospital of the Hospitaller Order of St. John of God. METHOD: After vaccination, the infection rate, adverse events and the kinetics of anti-SARS-CoV-2 spike (S) protein and anti-SARS-CoV-2 nucleocapsid (N) protein antibodies were evaluated. RESULTS: Before vaccination, from the 295 healthcare workers 36 recovered from prior COVID-19 infection (COVID-19-positive group). After the second vaccination, there was no COVID-19 infection during the three-month follow-up period. The adverse events were mild. In the COVID-19-positive group, the median cut-off index of anti-N antibodies measured at 4 weeks after the first vaccination were significantly (p<0.0001) higher (28.37) than in the COVID-19-negative group (0.085). After the first vaccine, the median titer of anti-S antibodies was significantly higher (p<0.0001) in the COVID-19-positive group (8015 U/ml) compared to the COVID-19-negative group (23.18 U/ml). In the COVID-19-negative group, the median titer of anti-S antibodies increased significantly (p<0.0001) after the second vaccine (from 23.18 U/ml to 1173 U/ml), showing an increase of 500×. CONCLUSIONS: After the second vaccination, there was no COVID-19 infection during the follow-up. In the COVID-19-negative group, the anti-S antibody titer is moderate after the first vaccination and increases significantly after the second vaccine. In the COVID-19-positive group, the first vaccine induces significant anti-S antibody production. Orv Hetil. 2021; 162(39): 1551-1557.

[From biomarkers to clinical decision support]. / Biomarkerek hálózatától a klinikai döntéstámogatásig.

The rapidly accumulating, heterogeneous, numerous biomedical data and the increasing knowledge represent both the key areas and the major bottleneck in the complete realization of personalized medicine. Traditional clinical aims as well as decision-making processes in drug research need systems-based integration of data and their analyses, which require a wide range of new mathematical approaches and application of information technologies. In the world of biomarkers, all such tasks correspond to three types of biomarkers, namely, endpoint, target and diagnostic biomarkers, which together form a complex network. To decipher the networks, probabilistic graphical models are introduced. Briefly, the authors illustrate their use for exploration and visualization of direct dependencies among biomarkers. Finally, construction of decision networks and their application to structural and quantitative optimization of biomarkers are discussed to provide a novel type of supporting tools for clinical practice.