MétaCan
Menu
Retour à la cohorte
Enregistrement W4396771372 · doi:10.1002/puh2.185

COVAX and COVID‐19 Vaccine Inequity: A case study of G‐20 and African Union

2024· article· en· W4396771372 sur OpenAlexaff
Anjali Pushkaran, Vijay Kumar Chattu, Prakash Narayanan

Notice bibliographique

RevuePublic Health Challenges · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiquePharmaceutical Economics and Policy
Établissements canadiensUniversity of TorontoUniversity of AlbertaCentre for Global Health Research
Organismes subventionnairesnon disponible
Mots-clésCoronavirus disease 2019 (COVID-19)Severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2)2019-20 coronavirus outbreakVirologyPolitical scienceMedicineInfectious disease (medical specialty)Internal medicineOutbreak

Résumé

récupéré en direct d'OpenAlex

As the world has a history of vaccine nationalism, especially during the 2009 Swine flu pandemic, the COVAX alliance, a globally collaborated mechanism, was created by World Health Organization (WHO), GAVI, and UNICEF to address the inequity of COVID-19 vaccines. One of the primary aims of this alliance was to deliver vaccines to low- and middle-income countries (LMICs), which otherwise have less or no capacity to access vaccines from the open market. It is crucial to explore the contribution of COVAX in bridging the gap in equity, accessibility, and affordability of COVID-19 vaccines between high- and low-income countries (LICs). We selected Group 20 (G20) COVAX participants and the African Union (AU) as case studies to estimate these gaps. The bilateral purchase data shows that by December 2021, the G20 countries had vaccines more than double their population, whereas the AU could procure only about one fifth (19%) of their population. Out of 52 AU countries whose data was available, only 21 of them could strike a bilateral deal with vaccine manufacturers. Even after COVAX delivery, the share of the population that could be vaccinated in AU was just 36.8%, less than the target of WHO (40%) for December 2021. It was found that the COVAX alliance worked better than the open market competition for LMICs and LICs. The cost of vaccinating 20% of the population was 0.7% of the current health expenditure for G20 countries, whereas AU countries had to spend 5.5%. COVAX bears more cost (1%-3%) for AU countries than G20 countries (less than 1%). COVAX made COVID-19 vaccines more affordable and accessible to these countries. However, LICs were disproportionately affected even with the COVAX Facility mechanism owing to their lack of vaccine deployment infrastructure.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,068
Score d'incertitude au seuil0,136

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0090,003
Communication savante0,0020,002
Science ouverte0,0010,005
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,311
Tête enseignante GPT0,393
Écart entre enseignants0,082 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePublic Health ChallengesMême sujetPharmaceutical Economics and PolicyTravaux en français237 207