Acceptability rate and barriers to COVID-19 vaccination among healthcare workers in Chukwuemeka Odumegwu Ojukwu University Teaching Hospital, Amaku-Awka, Nigeria
Notice bibliographique
Résumé
Background: Healthcare workers were at the forefront of the COVID-19 pandemic. The acceptability and uptake of COVID-19 vaccines among healthcare workers was an important strategy in halting the spread of the virus as well as the antecedent implications on global health and the world economy. Objectives: This study aims to determine the acceptability rate and barriers to COVID-19 vaccination of frontline healthcare workers in Awka, Nigeria. Design: This is an analytical cross-sectional study. Methods: An online cross-sectional survey was conducted from February 2022 to April 2022 to obtain the data for this study. One hundred healthcare workers were studied. Acceptability rate and barriers to uptake of COVID-19 vaccination were outcome measures. Results: The COVID-19 vaccination rate was 45.0% among healthcare workers in study area of Awka metropolis. Ages 30–39 years had the highest acceptance rate of COVID-19 vaccination, 19 (47.5%; p = 0.262) with a more female preponderance of COVID-19 vaccine acceptance compared to males [26 (41.3%) vs 16 (42.2%), p = 0.721]. The place of residence of respondents (urban vs rural) and their marital status (married vs single) appeared not to influence the acceptance of COVID-19 vaccination [(38 (42.2%) vs 3 (33.3%); p = 0.667; 25 (36.8% vs 17 (54.8%); p = 0.433)]. Years of work experience (<10 years vs >10 years) significantly affected COVID-19 vaccine acceptance [27 (45.8%) vs 12 (52.2%); p = 0.029]. Educational status and monthly income appeared not to influence vaccine uptake ( p > 0.05, for both). A significant number of respondents were not sure why they should or should not take the COVID-19 vaccine [49 (92.5%) vs 35 (83.3%); p = 0.001]. Conclusion: The COVID-19 vaccination rate is still poor among healthcare workers in Awka metropolis. The majority of respondents do not know why they should or should not take COVID-19 vaccine. We therefore recommend robust awareness campaigns that will explain in clear terms the essence and efficacy of COVID-19 vaccination in order to improve vaccine acceptance.
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 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».