Optimal human papillomavirus vaccination strategies in the context of vaccine supply constraints in 100 countries
Notice bibliographique
Résumé
Background: Countries are recommended to immunise adolescent girls routinely with one or two doses of human papillomavirus (HPV) vaccines to eliminate cervical cancer as a public health problem. With most existing vaccine doses absorbed by countries (mostly high-income) with existing HPV vaccination programmes, limited supply has been left for new country introductions until 2022; many of those, low- and middle-income countries with higher mortality. Several vaccination strategies were considered by the Strategic Advisory Group of Experts on Immunization to allow more countries to introduce vaccination despite constrained supplies. Methods: We examined the impact of nine strategies for allocating limited vaccine doses to 100 pre-introduction countries from 2020 to 2030. Two algorithms were used to optimise the total number of cancer deaths that can be averted worldwide by a limited number of doses (knapsack and decreasing order of country-specific mortality rates), and an unoptimised algorithm (decreasing order of Human Development Index) were used. Findings: Routinely vaccinating 14-year-old girls with either one or two doses and switching to a routine 9-year-old programme when supply is no longer constrained could prevent the most cervical cancer deaths, regardless of allocation algorithm. The unoptimised allocation averts fewer deaths because it allocates first to higher-income countries, usually with lower cervical cancer mortality. Interpretation: To optimise the deaths averted through vaccination when supply is limited, it is important to prioritise high-burden countries and vaccinating older girls first. Funding: WHO, Bill & Melinda Gates Foundation.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 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) | 0,009 | 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 ».