Exploring data trends and providers' insights on measles immunization uptake in south-west Nigeria
Notice bibliographique
Résumé
Introduction: measles outbreak remains a recurring episode and continues to be responsible for millions of deaths globally every year. This study examines measles immunization coverage and uncovers barriers and enablers to effective provision and uptake of measles immunization services from the supply end and provider´s perspective in a developing nation´s context. Methods: the study employed a mixed-method approach to explore trends and patterns of measles immunization uptake in Ekiti State-a state in the southwestern region of Nigeria-utilizing DHIS 2014 - 2019 data of 789,518 under 1-year children and complemented the quantitative study with key informant interviews from appointed Immunization Officers in the state. Using deductive methods, we thematically analyzed the interview data using NVivo version 12 while STATA 16 was used to analyze the quantitative data. Results: the annualized measles immunization coverage ranged between 49% and 86% from 2014 to 2019, which is below the WHO set threshold for measles infection prevention. Caregiver, geographical, human, and infrastructural factors were elicited as barriers, while potential enablers include increased public engagement and enhanced media involvement. Conclusion: while programmatic efforts are being improved nationally to drive up the uptake, this study provides baseline information for benchmarking the subsequent level of efforts and recommends improved collaboration across contextually similar states to promote program efficiency. The results can inform policy and program development, execution and direct future research on measles immunization to address uptake challenges at both local and central administration levels, especially in the aspect of surveillance and monitoring.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».