Does it really matter where you live? A multilevel analysis of factors associated with missed opportunities for vaccination in sub-Saharan Africa
Notice bibliographique
Résumé
There is an urgent need to examine the magnitude and factors responsible for missed opportunities for vaccination, to rapidly achieve national immunization targets. The objective of the study was to examine the influence of individual, neighbourhood and country level socioeconomic position on missed opportunities for vaccination (MOV) in Sub-Saharan Africa. We used multilevel logistic regression analysis on Demographic and Health Survey data collected between 2007 and 2016 in sub-Saharan Africa. We analysed data on 43,637 children aged 12 to 23 months (Level 1) nested within 15,122 neighbourhoods (Level 2) from 35 countries (Level 3). After adjustment for individual-, neighbourhood- and country-level factors, the following appeared as significant risk factors for increased odds of MOV: high birth order, high number of under-five children in the house, poorest household, lack of maternal education, lack of media access, and living in poorer neighbourhood. According to the intra-country and intra-neighbourhood correlation coefficient, 18.4% and 37.4% of the variance in odds of MOV could be attributed to the country and neighbourhood level factors, respectively; and if a child moved to another country or neighbourhood with a higher probability of MOV, the median increase in their odds of MOV would be 2.47 and 2.56 fold respectively. This study has revealed that the risk of missed opportunities for vaccination in sub-Saharan Africa is influenced by not only individual factors but also by compositional factors such as family's financial capacity, place of birth and upbringing.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
| 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 ».