Covid-19: Lessons from the pandemic in sub-Saharan Africa relevant to the WHO IA2030 vaccination agenda
Notice bibliographique
Résumé
While the global need to promote vaccination against viral illnesses is recognized, there are fundamental reasons for the failure of many programs. The World Health Organization has emphasized that the causes of low vaccine use must be understood and addressed in order to increase people’s demand for immunization services, and such understanding is central to promoting vaccine acceptance, as called for in the current WHO IA2030 initiative. Immunization programs remain fundamental to both pandemic preparedness and robust health systems. But, to achieve the goals of IA2030 requires improved targeting and reach to protect against viral illness and other global pathogens, hence the need for creative and innovative community engagement to increase vaccine uptake, and the relevance of learning from past pandemics. In sub-Saharan Africa, important lessons were learned during the Covid-19 pandemic; many of these are now broadly applicable to enhance current programs to promote vaccine acceptance such as the WHO IA2030 initiative. Strategies that helped increase vaccine uptake in Africa included six approaches to health promotion called for by the 2017 Lancet Commission on the future of health in sub-Saharan Africa. (Adoption of a community empowerment approach; Use of inclusive, people-centered strategies; Provision of innovative education; Creation of novel and improved tools; Training personnel to be mindful of, and responsive to, local needs; and Endorsement of non-traditional avenues to engage and inform). This commentary describes the principles underlying these six approaches, and summarizes ways in which their use contributed to programs working to increase vaccine uptake in sub-Saharan Africa that are applicable in a global context.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».