A Qualitative Study to Assess Challenges Faced During AEFI Surveillance
Notice bibliographique
Résumé
Background: India has a functional and mature National Regulatory Authority which ensures that vaccines manufactured and used in the country are safe. Monitoring adverse events post-licensure is equally critical to identify infrequent adverse events due to the vaccine product. Material and Methods: This was a cross-sectional observational qualitative study done in a Metropolitan city in Maharashtra from January 2017 to June 2018. Focus group discussions (FGDs) were conducted with healthcare workers and stakeholders involved in adverse event following immunization (AEFI) surveillance in the city. The data obtained were transcribed and analyzed using the inductive method. Thematic analysis was done using the grounded theory. Data were analyzed using ATLAS ti 5.7.1. Results: It was found that both active and passive surveillance were being followed in the study area helped in improving reporting rates and in early detection and management of adverse events. It was noted that there was no proper training provided to doctors in the private sector. Reporting of adverse events depended upon a number of factors such as clinical seriousness, temporal proximity to vaccination and health care workers' awareness of and obligation to report particular adverse events, fear of blame, time pressures in completing a report, and confusion in whose responsibility it was to report. Conclusion: Mandatory training of all private practitioners conducting immunizations, CHVs to work in collaboration with private doctors for active surveillance of AEFI, and online reporting to be made available for easy reporting. Proper counseling of mothers regarding giving paracetamol to the vaccine beneficiaries. Greater convergence is required between national regulators, and vaccine pharmacovigilance stakeholders including Central drugs standard control organisation (CDSCO), Pharmacovigilance programme of India (PvPI), and AEFI surveillance program, especially at the city and state level is required to handle vaccine safety issues at various levels in a faster and more effective manner.
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 | 0,015 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,007 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».