La vaccination des communautés vulnérables en pharmacie communautaire au Québec suite à l’adoption du projet de loi 31
Bibliographic record
Abstract
Dans les dernières décennies, les taux de vaccination dans les différentes provinces canadiennes n’atteignent pas les objectifs fixés et stagnent. La pandémie de COVID-19 a mis en lumière la nécessité d’impliquer de nouveaux partenaires tels que les pharmaciens communautaires et de mieux rejoindre les « populations vulnérables ». Les pharmaciens québécois ont récemment acquis le droit de prescrire et d’injecter les différents vaccins du Programme québécois d’immunisation. La vaccination s’ajoute aux diverses responsabilités du pharmacien et les facilitateurs et les barrières qui influencent les pratiques vaccinales sont méconnus. L’objectif général de ce mémoire est de comprendre comment les pharmaciens communautaires québécois conçoivent et ciblent les « populations vulnérables » à travers leurs activités de vaccination. Nous avons d’abord réalisé une revue de littérature basée sur la méthodologie d’une étude de portée afin de décrire les populations visées par les diverses stratégies promotionnelles en pharmacie communautaire. Cette revue nous a permis de constater l’utilisation prédominante de critères biomédicaux et liés à l’âge pour cibler les clientèles vulnérables ainsi que la sous-utilisation de critères de vulnérabilité liés aux déterminants sociaux de la maladie. Par la suite, nous avons réalisé une série d’entretiens semi-structurés (n=14) auprès d’acteurs clé en vaccination afin de comprendre comment les pharmaciens collaborent avec le réseau public de la santé pour vacciner les « populations vulnérables ». Malgré un grand intérêt pour la vaccination, plusieurs obstacles au niveau de la chaîne d’approvisionnement, de la formation et de la connaissance des couvertures vaccinales locales ont été recensés. La pandémie de COVID-19 a accéléré l’émergence de collaborations entre le pharmacien et la santé publique. Toutefois, une meilleure intégration des pharmaciens dans les comités décisionnels et la clarification de leur rôle permettrait un meilleur alignement des pratiques en pharmacie avec les objectifs vaccinaux de la santé publique.
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 | 0.022 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.005 | 0.002 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".