Testing the Impact of Phone Texting Reminders for Children's Immunization Appointments in Rural Cameroon: Protocol for a Nonrandomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: Globally, over 20 million children are unvaccinated and over 25 million missed their follow-up doses during the COVID-19 pandemic; thus, they face vaccine-preventable diseases and unnecessary deaths. This is especially the case for those with HIV or living in vulnerable settings. Using cell phones to send reminders to parents has been shown to improve vaccination rates. OBJECTIVE: We aim to determine whether implementation of an automated SMS reminder will improve child vaccination rates in a turbulent, semiurban/semirural setting in a low-income country. METHODS: This will be a nonrandomized controlled trial that will be conducted at Azire Integrated Health Centre, Bamenda, Cameroon. RESULTS: A total of 200 parents per study group (aged over 18 years) who are registered at the clinic at least one month prior to the study will be recruited. The intervention group will receive 2 reminders: 1 week and 2 days prior to the scheduled vaccination. For those who miss their appointments, a reminder will be sent 1 week after their missed appointment. The control group will receive the regular care provided at the clinic. Baseline information, clinical visit data, and vaccination records will be collected for both groups. Descriptive statistics will be used to summarize baseline characteristics between and within clusters and groups. The Fisher exact test will be used to compare parent-child units who return for follow-up visits (as a percentage) and children vaccinated as scheduled (as a percentage) between the study groups. Finally, we will compare how many members of both study groups return for 1 follow-up visit using Kaplan-Meier survival analysis. CONCLUSIONS: Due to limited effective child vaccination interventions in unstable settings, this study will be of high importance for suggesting a holistic approach to improve child vaccination and public health. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/47018.
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 | 0,034 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,007 | 0,003 |
| Méta-épidémiologie (sens large) | 0,012 | 0,005 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,002 |
| Intégrité de la recherche | 0,008 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,055 | 0,010 |
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 ».