Interventions to Improve Immunization Coverage Among Children and Adolescents: A Meta-analysis
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Vaccinations are recognized as a feasible, cost-effective public health intervention for reducing the burden and associated mortality of many infectious diseases. The purpose of this study was to evaluate the effectiveness of potential interventions to improve the uptake of vaccines among children and adolescents. METHODS: We performed a literature search until December 2020. Eligible studies were identified using Cochrane Central Register of Controlled Trials, MEDLINE, PubMed, and other sources. We included studies conducted on children and adolescents aged 5 to 19 years. Studies comprised of hospitalized children and those with comorbid conditions were excluded. Two authors independently performed the meta-analysis. RESULTS: Findings from 120 studies (123 articles), of which 95 were meta-analyzed, reveal that vaccination education may increase overall vaccination coverage by 19% (risk ratio [RR], 1.19; 95% confidence interval [CI], 1.12-1.26), reminders by 15% (RR, 1.15; 95% CI, 1.11-1.18), interventions for providers by 13% (RR, 1.13; 95% CI, 1.07-1.19), financial incentives by 67% (RR, 1.67; 95% CI, 1.40-1.99), and multilevel interventions by 25% (RR, 1.25; 95% CI, 1.10-1.41). The impact of school-based clinics and policy and legislation on overall vaccination coverage is still uncertain, and no impact of a multicomponent intervention on overall vaccination coverage was found. CONCLUSIONS: Educational interventions, reminders, provider-directed interventions, financial incentives, and multilevel interventions may improve vaccination coverage among school-aged children and adolescents.
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 | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 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 ».