MétaCan
Menu
Retour à la cohorte
Enregistrement W4403244808 · doi:10.1136/bmjph-2024-001240

Development of prediction models of COVID-19 vaccine uptake among Lebanese and Syrians in a district of Beirut, Lebanon: a population-based study

2024· article· en· W4403244808 sur OpenAlexfundno aff
Marie‐Elizabeth Ragi, Hala Ghattas, Hazar Shamas, Jocelyn DeJong, Nada M. Melhem, Stephen J. McCall

Notice bibliographique

RevueBMJ Public Health · 2024
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueVaccine Coverage and Hesitancy
Établissements canadiensnon disponible
Organismes subventionnairesChina Academy of Engineering PhysicsInternational Development Research Centre
Mots-clésMedicineSocioeconomic statusVaccinationPopulationCross-sectional studyDemographyRefugeePandemicNationalityCoronavirus disease 2019 (COVID-19)Environmental healthImmunologyInfectious disease (medical specialty)ImmigrationDiseaseInternal medicineGeography

Résumé

récupéré en direct d'OpenAlex

Introduction: Vaccines are essential to prevent infection and reduce the morbidity of infectious diseases. Previous evidence has shown that migrants and refugees are particularly vulnerable to exclusion and discrimination, and low COVID-19 vaccine intention and uptake were observed among refugees globally. This study aimed to develop and internally validate prediction models of COVID-19 vaccine uptake by nationality. Methods: This is a nested prognostic population-based cross-sectional analysis. Data were collected between June and October 2022 in Sin-El-Fil, a district of Beirut, Lebanon. The study population included a random sample of Lebanese adults and all Syrian adults residing in areas of low socioeconomic status. Data were collected through a telephone survey. The main outcome was the uptake of at least one dose of the COVID-19 vaccine. Predictors of COVID-19 vaccine uptake were assessed using the Least Absolute Shrinkage and Selection Operator regression for Lebanese and Syrian nationalities in separate models. Results: Of 2028 participants, 79% were Lebanese, 18% Syrians and 3% of other nationalities. COVID-19 vaccination uptake was higher among Lebanese (85% (95% CI 82% to 86%) compared to Syrians (47% (95% CI 43% to 51%)) (p<0.001); adjusted OR 6.2 (95% CI 4.9 to 7.7). Predictors of uptake of one or more COVID-19 vaccine doses for Lebanese were older age, presence of an older adult in the household, higher education, greater asset-based wealth index, private healthcare coverage, feeling susceptible to COVID-19, belief in the safety and efficacy of vaccines and previous receipt of the influenza vaccine. For Syrians, predictors were older age, male sex, completing school or higher education, receipt of cash assistance, presence of chronic illness, belief in the safety and efficacy of vaccines, previous receipt of the influenza vaccine and possession of a legal residency permit in Lebanon. Conclusions: These findings indicate barriers to vaccine uptake among Syrian refugees and migrants, including legal residency status. These findings call for urgent action to enable equitable access to vaccines by raising awareness about the importance of vaccination and the targeting of migrant and refugee populations through vaccination campaigns.

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)0,012
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,044
Score d'incertitude au seuil0,088

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,012
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,000
Communication savante0,0020,001
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,080
Tête enseignante GPT0,378
Écart entre enseignants0,298 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMJ Public HealthMême sujetVaccine Coverage and HesitancyTravaux en français237 207