Small-area variation in child under-vaccination in India: a multilevel analysis of cross-sectional data from 36 states and Union Territories, 707 districts, and 22,349 small-area clusters
Notice bibliographique
Résumé
Background: India has made exceptional advances in child immunisation, but subnational inequities in vaccination coverage impede attainment of key programmatic goals. Our study provides an up-to-date national portrait of local variations in child vaccination using a comprehensive set of indicators relevant to routine immunisation. Methods: Indicators representing unvaccinated (zero-dose) children, incomplete basic immunisation, and vulnerability to measles and polio, were constructed from India's 2019-2021 National Family Health Survey. We used four-level random effects logistic regression models to partition the total outcome variation over state, district and cluster levels, and produce precision-weighted estimates of prevalence across clusters. District-level prevalence and within-district variation using standard deviation measures were derived for each outcome. Boxplots graphically summarised the distribution of precision-weighted mean cluster prevalence by state. Findings: The analysis included 87,622 children aged 12-36 months. Clusters accounted for 67.6% (var: 1.36; SE: 0.127) of the variation among zero-dose children, and more than 50% for all indicators. Districts with a higher prevalence of under-vaccination tended to have higher within-district heterogeneity, interpretable as greater within-district child vaccination inequities. For vaccines administered in the first year of life, the northeastern states and Uttar Pradesh had the highest median under-vaccination. Despite India's high aggregate vaccine coverage, the distribution of small-area (cluster) mean prevalence highlighted pockets of low coverage in most states, suggesting ongoing vulnerability to measles and polio. Interpretation: Achieving India's vaccination goals requires a strategic shift towards identification and targeting of low-immunity clusters at the sub-district level. Funding: Canadian Institutes of Health Research.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 source (Gemma direct ou Codex distillé), 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 ».