MétaCan
Menu
Retour à la cohorte
Enregistrement W3094785859 · doi:10.7573/dic.2020-9-5

Key policy and programmatic factors to improve influenza vaccination rates based on the experience from four high-performing countries

2020· review· en· W3094785859 sur OpenAlexaffabout
George Kassianos, Ashis Banerjee, Florence Baron‐Papillon, Alan Hampson, Janet E. McElhaney, Allison McGeer, Thierry Rigoine de Fougerolles, Mitch Rothholz, Holly Seale, Litjen Tan, Angus Thomson, Olivier Vitoux

Notice bibliographique

RevueDrugs in Context · 2020
Typereview
Langueen
DomaineMedicine
ThématiqueInfluenza Virus Research Studies
Établissements canadiensSinai Health SystemUniversity of TorontoHealth Sciences North
Organismes subventionnairesNational Institute of Allergy and Infectious DiseasesNational Institute on Aging
Mots-clésKey (lock)VaccinationMedicineSection (typography)Public relationsRisk analysis (engineering)Process managementComputer securityBusinessComputer scienceVirologyPolitical scienceAdvertising

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Many countries consistently fail to achieve the target influenza vaccine coverage rate (VCR) of 75% for populations at risk of complications, recommended by the World Health Organization and European Council. We aimed to identify factors for achieving a high VCR in the scope of four benchmark countries with high influenza VCRs: Australia, Canada, UK and USA. METHODS: Publicly available evidence was first reviewed at a global level and then for each of the four countries. Semi-structured interviews were then conducted with stakeholders meeting predefined criteria. Descriptive cluster analyses were performed to identify key factors and pillars for establishing and maintaining high VCRs. RESULTS: No single factor led to a high VCR, and each benchmark country used a different combination of tailored approaches to achieve a high vaccine coverage. In each country, specific triggers were important to stimulate changes that led to improved vaccine coverage. A total of 42 key factors for a successful influenza vaccination programme were identified and clustered into five pillars: (1) Health Authority accountability and strengths of the influenza programme, (2) facilitated access to vaccination, (3) healthcare professional accountability and engagement, (4) awareness of the burden and severity of disease and (5) belief in influenza vaccination benefit. Each benchmark country has implemented multiple factors from each pillar. CONCLUSION: A wide range of factors were identified from an evaluation of four high-performing benchmark countries, classified into five pillars, thus providing a basis for countries with lower VCRs to tailor their own particular solutions to improve their influenza VCR.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,025
Score d'incertitude au seuil0,099

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,020
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,003
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,101
Tête enseignante GPT0,417
Écart entre enseignants0,315 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations28
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDrugs in ContextMême sujetInfluenza Virus Research StudiesTravaux en français237 207