An alternative vaccine prioritization approach in response to COVID-19 pandemic
Notice bibliographique
Résumé
Purpose The purpose of this study is to evaluate the impact of food access and other vulnerability measures on the COVID-19 progression to inform the public health decision-makers while setting priority rules for vaccine schedules. Design/methodology/approach In this paper, the authors used the Supplemental Nutrition Assistance Program (SNAP) data combined with the Centers for Disease Control and Prevention (CDC)’s social vulnerability score variables and diabetes and obesity prevalence in a set of models to assess the associations with the COVID-19 prevalence and case-fatality rates in the United States (US) counties. Using the case prevalence estimates provided by these models, the authors developed a COVID-19 vulnerability score. The COVID-19 vulnerability score prioritization is then compared with the pro-rata approach commonly used for vaccine distribution. Findings The study found that the population proportion residing in a food desert is positively correlated with the COVID-19 prevalence. Similarly, the population proportion registered to SNAP is positively correlated with the COVID-19 prevalence. The findings demonstrate that commonly used pro-rata vaccine allocation can overlook vulnerable communities, which can eventually create disease hot-spots. Practical implications The proposed methodology provides a rapid and effective vaccine prioritization scoring. However, this scoring can also be considered for other humanitarian programs such as food aid and rapid test distribution in response to the current and future pandemics. Originality/value Humanitarian logistics domain predominantly relies on equity measures, where each jurisdiction receives resources proportional to their population. This study provides a tool to rapidly identify and prioritize vulnerable communities while determining vaccination schedules.
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 | 0,009 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».