Racial disparities in the rates of COVID-19 vaccine uptake among children from Arab, Asian, Black, Indigenous, White and Mixed racial families in Canada
Notice bibliographique
Résumé
Pediatric COVID-19 vaccination reduces symptomatic infections and hospitalizations. However, race-based disparities in pediatric COVID-19 vaccine uptake in Canada remain underexplored, despite well-documented inequities among adults. This study examines racial disparities in pediatric COVID-19 vaccine coverage in Canada and identifies key predictors, including structural and individual-level factors. A cross-sectional survey was conducted among a nationally representative and ethnically diverse sample of 2528 parents of 4386 children aged 0-12 years in Canada. Parents completed measures assessing child's COVID-19 vaccine uptake, COVID-19 vaccine mistrust, health literacy, experiences of racial discrimination, and child's prior COVID-19 infection. Adjusted odd ratios was performed to identify factors associated with vaccine uptake. Overall pediatric vaccine coverage was 56.8 %. Coverage was lowest among children of Black (39.4 %, 95 % CI: 35.4, 43.5) and Arab (42.9 %, 95 % CI: 38.4, 47.5) parents, compared to White (59.5 %, 95 % CI: 57.4, 61.5) and Asian (71.6 %, 95 % CI: 67.3, 75.6) parents (p < .001). Logistic regression with Generalized Estimating Equations (GEE) analyses, child's age, prior COVID-19 infection, and parental vaccine mistrust were determinants of vaccine coverage. Among racialized parents, experiences of major racial discrimination and lower health literacy were additional predictors of lower vaccine uptake. We observed racial disparities in pediatric COVID-19 vaccination, with significantly lower coverage among Black and Arab communities. Beyond individual and family level factors, structural experiences such as racial discrimination and limited health literacy contribute to inequities in vaccine uptake. Public health interventions must be culturally sensitive and equity-driven, addressing mistrust and systemic barriers to improve vaccine coverage and pandemic resilience in diverse populations.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 ».