Stratégies visant à accroître la demande de vaccination infantile dans les pays en \ndéveloppement : révision systématique et méta-analyse
Bibliographic record
Abstract
La vaccination figure parmi les interventions sanitaires les plus efficaces et les plus rentables \nconnues. Pourtant, des inégalités de couverture persistent entre les régions et les pays. Les \ninterventions visant à améliorer la couverture vaccinale sont généralement regroupées soit \ncomme interventions pour améliorer l’offre ou la prestation des services de santé, soit comme \ninterventions pour stimuler la demande pour les services de vaccination. L’objectif de cette \nétude est d’évaluer si les interventions du côté de la demande qui visent à améliorer la \ncouverture vaccinale peuvent accroître la vaccination de routine des enfants dans les pays en \ndéveloppement. \nNous avons effectué une revue systématique et une méta-analyse des essais randomisés \ncontrôlés ainsi que d’autres types d’études scientifiques réalisées dans des pays en \ndéveloppement. La population ciblée comprenait les parents et les gardiens d'enfants de moins \nde deux ans qui sont exposés à une intervention visant à accroître la demande de vaccination de \nroutine des enfants. La recherche des études originales dans les différentes bases de données a \nété limitée aux études publiées avant septembre 2013 (dernière mise à jour le 25 Mars 2014) \ndans 6 langues. \nOnze études ont été sélectionnées puis classifiées dans deux catégories: (a) éducation ou \ntransfert de connaissances (7 études) et (b) incitations (4 études). Les résultats de la métaanalyse \nont démontré un impact positif des interventions sur la demande de vaccination des \nenfants dans les pays en développement (RR 1.30; 95% CI 1.17, 1.44). Ces impacts positifs ont \nété constatés autant pour les interventions qui comprennent l’éducation ou transfert de \nconnaissances (RR 1.40; 95% CI1.20, 1.63) que pour les interventions de type incitation (RR 1.28; \n95% CI 1.12, 1.45). \nLes résultats suggèrent que diverses stratégies visant à accroître la demande peuvent conduire à \nune augmentation de la couverture vaccinale dans différents pays en développement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.043 | 0.080 |
| Meta-epidemiology (narrow) | 0.004 | 0.002 |
| Meta-epidemiology (broad) | 0.011 | 0.042 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".