Global inequity creates local insufficiency: A qualitative study of COVID-19 vaccine implementation challenges in low-and-middle-income countries
Notice bibliographique
Résumé
INTRODUCTION: The COVID-19 pandemic has amplified pre-existing challenges to health promotion and care across the world, and particularly in low- and middle-income countries (LMICs). This qualitative study draws on data from a panel of immunisation experts and uses a novel framework of vaccine delivery domains to explore perspectives from those who live and work in these settings on the challenges to implementing COVID-19 vaccine programs in LMICs. METHODS: We conducted a thematic content analysis of 96 participant free text replies to questions from Round I of a three-round Delphi consensus study amongst global experts on COVID-19 vaccine implementation. RESULTS: Participant responses highlighted challenges to vaccine program implementation including issues related to equity; governance, decision-making, and financing; regulatory structures, planning, and coordination; prioritisation, demand generation, and communication; vaccine, cold chain, logistics, and infrastructure; service delivery, human resources, and supplies; and surveillance, monitoring, and evaluation. CONCLUSION: We reflect on our findings in light of global efforts to address vaccine inequity and emphasise three key areas salient to improving vaccination efforts during novel infectious disease outbreaks: 1) Ensuring safe and sustainable service delivery in communities and at points of care; 2) Strengthening systems for end-to-end delivery of vaccines, therapeutics, diagnostics, and essential supplies; 3) Transforming structural paradigms towards vaccine equity.
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 | 0,002 | 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».