Physicians’ Intentions to Recommend Influenza Vaccine: A Multi-Centered Hospital-Based Study Using the Theory of Planned Behavior in Bangladesh
Notice bibliographique
Résumé
BACKGROUND: Influenza remains a significant public health challenge in low- and middle-income countries (LMICs) like Bangladesh, where vaccine uptake remains low despite the substantial disease burden. Physicians play a vital role in promoting vaccination, yet their intentions and influencing factors are not well understood. METHODS: We conducted a cross-sectional study from June to October 2022 across four tertiary-level hospitals in Bangladesh using a questionnaire grounded in the Theory of Planned Behavior (TPB). Hierarchical logistic regression was employed to identify factors associated with vaccine recommendation intentions. RESULTS: Among 972 physicians with an average age of 32.1 years, 40.1% intended to recommend and administer the influenza vaccine. Most (85.3%) agreed vaccination reduces risk, 65.5% desired vaccination for self-protection, 63.5% would vaccinate if available at work, and 85.3% anticipated Ministry of Health support. Male (OR = 1.9, 95% CI: 1.5-2.3) and married (OR = 1.5, 95% CI: 1.1-1.9) physicians were more likely to recommend vaccination. Each unit increase in attitude score doubled the likelihood of recommending the vaccine (OR = 2.0, 95% CI: 1.4-3.0). CONCLUSIONS: Physicians' influenza vaccine recommendations in Bangladesh are suboptimal, influenced by gender, marital status, and attitudes. Targeted educational interventions addressing attitudinal barriers and leveraging institutional support could improve recommendation practices.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».