Unmet need for COVID-19 vaccination coverage in Kenya
Notice bibliographique
Résumé
COVID-19 has impacted the health and livelihoods of billions of people since it emerged in 2019. Vaccination for COVID-19 is a critical intervention that is being rolled out globally to end the pandemic. Understanding the spatial inequalities in vaccination coverage and access to vaccination centres is important for planning this intervention nationally. Here, COVID-19 vaccination data, representing the number of people given at least one dose of vaccine, a list of the approved vaccination sites, population data and ancillary GIS data were used to assess vaccination coverage, using Kenya as an example. Firstly, physical access was modelled using travel time to estimate the proportion of population within 1 hour of a vaccination site. Secondly, a Bayesian conditional autoregressive (CAR) model was used to estimate the COVID-19 vaccination coverage and the same framework used to forecast coverage rates for the first quarter of 2022. Nationally, the average travel time to a designated COVID-19 vaccination site (n = 622) was 75.5 min (Range: 62.9 - 94.5 min) and over 87% of the population >18 years reside within 1 hour to a vaccination site. The COVID-19 vaccination coverage in December 2021 was 16.70% (95% CI: 16.66 - 16.74) - 4.4 million people and was forecasted to be 30.75% (95% CI: 25.04 - 36.96) - 8.1 million people by the end of March 2022. Approximately 21 million adults were still unvaccinated in December 2021 and, in the absence of accelerated vaccine uptake, over 17.2 million adults may not be vaccinated by end March 2022 nationally. Our results highlight geographic inequalities at sub-national level and are important in targeting and improving vaccination coverage in hard-to-reach populations. Similar mapping efforts could help other countries identify and increase vaccination coverage for such 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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| 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) | 0,007 | 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 ».