Overcoming vaccine deployment challenges among the hardest to reach: lessons from polio elimination in India
Notice bibliographique
Résumé
After more than 30 years of efforts to eliminate polio, India was certified polio free by WHO in 2014. The final years prior to polio elimination were characterised by concentrated efforts to vaccinate hard-to-reach groups in the state of Uttar Pradesh, including migrant workers, religious minority Muslims and impoverished communities with poor pre-existing social support systems. This article aims to describe the management strategies employed by India to improve the deployment and acceptance of vaccines among hard-to-reach groups in Uttar Pradesh in the final years prior to polio elimination.Three main management principles contributed to polio elimination among the hardest to reach in Uttar Pradesh: bundling of health services, local stakeholder engagement and accountability mechanisms for public health initiatives. In an effort to market the polio campaign as an authentic health-oriented programme, vaccine acceptance was improved by packaging other basic healthcare services such as routine check-ups and essential medications. India also prioritised local stakeholder engagement by using influential community leaders to reach vaccine hesitant groups. Lastly, the accountability mechanisms developed between non-profit organisations and decision-makers in the field ensured accurate reporting and identified deficiencies in healthcare worker training. The lessons learnt from India's polio vaccination programme have important implications for the implementation of future mass vaccination initiatives, particularly when trying to reach vulnerable communities.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».