Effectiveness of hospital-based strategies for improving childhood immunization coverage: A systematic review
Notice bibliographique
Résumé
BACKGROUND: Hospital settings represent an opportunity to offer and/or promote childhood vaccination. The purpose of the systematic review was to assess the effectiveness of different hospital-based strategies for improving childhood vaccination coverage. METHODS: A systematic search of multiple bibliographic databases, thesis databases, and relevant websites was conducted to identify peer-reviewed articles published up to September 20, 2021. Articles were included if they evaluated the impact of a hospital (inpatient or emergency department)-based intervention on childhood vaccination coverage, were published in English or French, and were conducted in high-income countries. High quality studies were included in a narrative synthesis. RESULTS: We included 25 high quality studies out of 7,845 unique citations. Studies focused on routine, outbreak, and influenza vaccines, and interventions included opportunistic vaccination (i.e. vaccination during hospital visit) (n = 7), patient education (n = 2), community connection (n = 2), patient reminders (n = 2), and opportunistic vaccination combined with patient education and/or reminders (n = 12). Opportunistic vaccination interventions were generally successful at improving vaccine coverage, though results ranged from no impact to vaccinating 71 % of eligible children with routine vaccines and 9-61 % of eligible children with influenza vaccines. Interventions that aimed to increase vaccination after hospital discharge (community connection, patient education, reminders) were less successful. CONCLUSIONS: Some interventions that provide vaccination to children accessing hospitals improved vaccine coverage; however, the baseline coverage level of the population, as well as implementation strategies used impact success. There is limited evidence that interventions promoting vaccination after hospital discharge are more successful if they are tailored to the individual.
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 | 0,012 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,010 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».