COVID-19 vaccine acceptance and associated factors in 13 African countries: A systematic review and meta-analysis
Notice bibliographique
Résumé
Background: The COVID-19 pandemic has severely affected the entire world, especially sub-Saharan Africa. As a result, researchers and government agencies are working to create effective COVID-19 vaccinations. While vaccination campaigns are moving rapidly in high-income nations, COVID-19 is still ruthlessly affecting people in low-income nations. However, this difference in the spread of the disease is not because of a lack of a COVID-19 vaccine but mainly due to people's reluctance. As a result, this review summarized the data on COVID-19 vaccination adoption and factors related among nations in sub-Saharan Africa. Method: Comprehensive searches were conducted using PubMed, Embase, Medline, Web of Science, Google Scholar, and the Cochrane Library databases. The risk of bias and methodological quality of each published article that fit the selection criteria were evaluated using Critical Appraisal Checklist tools. All statistical analysis was done by STATA 16. Results: = 99.55%. Being male [POR = 1.88 (95% CI: 1.45, 2.44)], having a positive attitude toward the COVID-19 vaccine [POR = 5.56 (95% CI: 3.63, 8.51)], having good knowledge in the COVID-19 vaccine [POR = 4.61 (95% CI: 1.24, 8.75)], having government trust [POR = 7.10 (95% CI: 2.37, 21.32)], and having undergone COVID-19 testing in the past [POR = 4.41 (95%CI: (2.51, 7.75)] were significant predictor variables. Conclusion: This analysis showed that respondents had a decreased pooled prevalence of COVID-19 vaccination acceptance. Sex, attitude, knowledge, government trust, and COVID-19 testing were statistically significantly correlated characteristics that affected the acceptability of the COVID-19 vaccine. All stakeholders should be actively involved in increasing the uptake of the COVID-19 vaccine and thereby reducing the consequences of COVID-19. The acceptance of the COVID-19 vaccination can be increased by using this conclusion as an indicator for governments, healthcare professionals, and health policymakers in their work on attitude, knowledge, government trust, and COVID-19 testing.
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 | 0,012 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».