Rural-urban disparities in missed opportunities for vaccination in sub-Saharan Africa: a multi-country decomposition analyses
Notice bibliographique
Résumé
BACKGROUND: In this study, we aimed to explore the rural-urban disparities in the magnitude and determinants of missed opportunities for vaccination (MOV) in sub-Saharan Africa. METHODS: This was a cross-sectional study using nationally representative household surveys conducted between 2007 and 2017 in 35 countries across sub-Saharan Africa. The risk difference in MOV between rural or urban dwellers were calculated. Logistic regression method was used to investigate the urban-rural disparities in multivariable analyses. Then Blinder-Oaxaca method was used to decompose differences in MOV between rural and urban dwellers. RESULTS: The median number of children aged 12 to 23 months was 2113 (Min: 370, Max: 5896). There was wide variation in the the magnitude of MOV among children in rural and urban areas across the 35 countries. The magnitude of MOV in rural areas varied from 18.0% (95% CI 14.7 to 21.4) in the Gambia to 85.2% (81.2 to 88.9) in Gabon. Out of the 35 countries included in this analysis, pro-rural inequality was observed in 16 countries (i.e. MOV is prevalent among children living in rural areas) and pro-urban inequality in five countries (i.e. MOV is prevalent among children living in urban areas). The contributions of the compositional 'explained' and structural 'unexplained' components varied across the countries. However, household wealth index was the most frequently identified factor. CONCLUSIONS: Variation exists in the level of missed opportunities for vaccination between rural and urban areas, with widespread pro-rural inequalities across Africa. Although several factors account for these rural-urban disparities in various countries, household wealth was the most common.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».