Advancing Immunization Coverage and Equity: A Structured Synthesis of Pro-Equity Strategies in 61 Gavi-Supported Countries
Notice bibliographique
Résumé
BACKGROUND: Global immunization inequities persist, reflected in the 25 million underimmunized and 18 million zero-dose children in 2021. To identify country approaches to reach underimmunized and zero-dose children, we undertook a structured synthesis of pro-equity strategies across 61 countries receiving programmatic support from Gavi, the Vaccine Alliance. METHODS: We extracted data from 174 Country Joint Appraisals and Multi-Stakeholder Dialogue reports (2016-2020). We identified strategies via a targeted keyword search, informed by a determinants of immunization coverage framework. Strategies were synthesized into themes consolidated from UNICEF's Journey to Health and Immunization (JTHI) and the Global Routine Immunization Strategies and Practices (GRISP) frameworks. RESULTS: We found 607 unique strategies across 61 countries and 24 themes. Strategies to improve care at the point of service (44%); to improve knowledge, awareness and beliefs (25%); and to address preparation, cost and effort barriers (13%) were common. Fewer strategies targeted experience of care (8%), intent, (7%) and after-service (3%). We also identified strategies addressing gender-related barriers to immunization and targeting specific types of communities. CONCLUSIONS: We summarize the range of pro-equity immunization strategies employed in Gavi-supported countries and interpret them thematically. Findings are incorporated into a searchable database which can be used to inform equity-driven immunization programs, policies and decision-making which target underimmunized and zero-dose 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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».