Impact of COVID-19-related disruptions to measles, meningococcal A, and yellow fever vaccination in 10 countries
Notice bibliographique
Résumé
Background: Childhood immunisation services have been disrupted by the COVID-19 pandemic. WHO recommends considering outbreak risk using epidemiological criteria when deciding whether to conduct preventive vaccination campaigns during the pandemic. Methods: We used two to three models per infection to estimate the health impact of 50% reduced routine vaccination coverage in 2020 and delay of campaign vaccination from 2020 to 2021 for measles vaccination in Bangladesh, Chad, Ethiopia, Kenya, Nigeria, and South Sudan, for meningococcal A vaccination in Burkina Faso, Chad, Niger, and Nigeria, and for yellow fever vaccination in the Democratic Republic of Congo, Ghana, and Nigeria. Our counterfactual comparative scenario was sustaining immunisation services at coverage projections made prior to COVID-19 (i.e. without any disruption). Results: Reduced routine vaccination coverage in 2020 without catch-up vaccination may lead to an increase in measles and yellow fever disease burden in the modelled countries. Delaying planned campaigns in Ethiopia and Nigeria by a year may significantly increase the risk of measles outbreaks (both countries did complete their supplementary immunisation activities (SIAs) planned for 2020). For yellow fever vaccination, delay in campaigns leads to a potential disease burden rise of >1 death per 100,000 people per year until the campaigns are implemented. For meningococcal A vaccination, short-term disruptions in 2020 are unlikely to have a significant impact due to the persistence of direct and indirect benefits from past introductory campaigns of the 1- to 29-year-old population, bolstered by inclusion of the vaccine into the routine immunisation schedule accompanied by further catch-up campaigns. Conclusions: The impact of COVID-19-related disruption to vaccination programs varies between infections and countries. Planning and implementation of campaigns should consider country and infection-specific epidemiological factors and local immunity gaps worsened by the COVID-19 pandemic when prioritising vaccines and strategies for catch-up vaccination. Funding: Bill and Melinda Gates Foundation and Gavi, the Vaccine Alliance.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».