Provider dismissal policies and clustering of vaccine-hesitant families
Notice bibliographique
Résumé
Many pediatric practices have adopted vaccine policies that require parents who refuse to vaccinate according to the ACIP schedule to find another health care provider. Such policies may inadvertently cluster unvaccinated patients into practices that tolerate non vaccination or alternative schedules, turning them into risky pockets of low herd immunity. The objective of this study was to assess the effect of provider zero-tolerance vaccination policies on the clustering of intentionally unvaccinated children. We developed an agent-based model of parental vaccine hesitancy, provider non-vaccination tolerance, and selection of patients into pediatric practices. We ran 84 experiments across a range of parental hesitancy and provider tolerance scenarios. When the model is initialized, all providers accommodate refusals and intentionally unvaccinated children are evenly distributed across providers. As provider tolerance decreases, hesitant children become more clustered in a smaller number of practices and eventually are not able to find a practice that will accept them. Each of these effects becomes more pronounced as the level of hesitancy in the population rises. Heterogeneity in practice tolerance to vaccine-hesitant parents has the unintended result of concentrating susceptible individuals within a small number of tolerant practices, while providing little if any compensatory protection to adherent individuals. These externalities suggest an agenda for stricter policy regulation of individual practice decisions.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».