Examining wealth-related inequality in childhood vaccination in Fiji using the UNICEF Multiple Indicator Cluster Survey 2021
Notice bibliographique
Résumé
BACKGROUND: Despite a 95% immunisation rate in Fiji, disparities exist in the distribution of immunisation in children from different socioeconomic backgrounds. We used data from the 2021 Fiji Multiple Indicator Cluster Survey (MICS) to determine socioeconomic inequalities contributing to differences in immunisation coverage. METHODS: Data were extracted from the 'Household', 'Fertility/Birth history' and 'Children under 5' modules from the 2021 Fiji MICS to determine wealth quintiles and calculate vaccination rates for children aged 12-23 mo. Logistic regression was performed with factors of interest. Erreygers' corrected concentration index (ECI) was calculated and used to measure socioeconomic inequality. RESULTS: Out of 417 children; 85.6% (357/417) were fully immunised, 12.0% (50/417) partially immunised and 2.4% (10/417) had no immunisations. Factors associated with increased probability of being fully immunised included being in the highest wealth quintile after adjusting for the number of children in the household. Children from larger households were more likely to be partially immunised after adjusting for household wealth. The ECI for fully vaccinated children was positive, whereas the ECI was negative for partially vaccinated children. Logistic regression also indicated a pro-rich inequality in vaccination. CONCLUSIONS: Our results help guides policy decisions on the delivery of immunisation services, enabling more equitable childhood immunisation in Fiji.
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 | 0,005 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».