Vaccination against COVID-19 in a geographically dispersed and underserved population, challenges and solutions in access and distribution of vaccines
Notice bibliographique
Résumé
<ns3:p>Background As of July 2021, only 57% of Ecuador’s population had received the first vaccine dose against COVID-19. The national immunization campaign faced difficulties in reaching and providing vaccines to underserved population in remote areas. Methods The RISE project, funded by USAID and implemented by Jhpiego, aimed to develop an immunization strategy, that through the collaboration of an international non-profit organization, an academic institution and the public sector, could effectively support the national vaccination campaign of the Ecuadorian Ministry of Public Health. Results The program identified gaps in vaccination access and uptake, established specific strategies for targeted communities, analyzed official geographical information on vaccination coverage, ran micro-planning exercises at the local level, and adapted to new needs identified to ensure an effective vaccination uptake. From November 2021 up to May 2023, more than 1.8 million COVID-19 vaccine doses were administered to underserved populations living in geographically dispersed areas, in 18 provinces. Conclusions Employing data-targeted approaches and microplanning to identify underserved populations, strategic planning and collaboration between local governments, private sector, academic institution, and community leaders can substantially improve COVID-19 vaccines coverage and, thus, equity to vaccine access. The lessons learned might be useful to improve overall immunization service delivery.</ns3:p>
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».