Comprendre l'hétérogénéité spatiale du COVID | Changchun BoldVision Group Group Co., Ltd

BMC Public Health volume 23, Article number: 895 (2023) Citer cet article

719 accès

7 Altmétrique

Détails des métriques

La vaccination de masse a été une stratégie clé pour contenir efficacement la pandémie mondiale de COVID-19 qui a posé des défis sociaux et économiques sans précédent à de nombreux pays. Cependant, les taux de vaccination varient selon l'espace et les facteurs socio-économiques, et sont susceptibles de dépendre de l'accessibilité aux services de vaccination, qui est sous-étudiée dans la littérature. Cette étude vise à identifier empiriquement la relation spatialement hétérogène entre les taux de vaccination COVID-19 et les facteurs socio-économiques en Angleterre.

Nous avons étudié le pourcentage de personnes de plus de 18 ans entièrement vaccinées au niveau d'une petite zone à travers l'Angleterre jusqu'au 18 novembre 2021. Nous avons utilisé une régression pondérée géographiquement à plusieurs échelles (MGWR) pour modéliser la relation spatialement hétérogène entre les taux de vaccination et les déterminants socio-économiques, y compris facteurs ethniques, d'âge, économiques et d'accessibilité.

Cette étude indique que le modèle MGWR sélectionné peut expliquer 83,2 % de la variance totale des taux de vaccination. Les variables présentant une association positive avec les taux de vaccination dans la plupart des régions comprennent la proportion de la population de plus de 40 ans, la possession d'une voiture, le revenu moyen des ménages et l'accessibilité spatiale à la vaccination. En revanche, la population de moins de 40 ans, la population moins défavorisée et l'ethnie noire ou mixte sont négativement associées aux taux de vaccination.

Nos résultats indiquent l'importance d'améliorer l'accessibilité spatiale aux vaccinations dans les régions en développement et parmi des groupes de population spécifiques afin de promouvoir la vaccination contre le COVID-19.

Rapports d'examen par les pairs

La maladie à coronavirus 2019 (COVID-19), causée par le syndrome respiratoire aigu sévère coronavirus-2 (SRAS-CoV-2), est une pandémie mondiale qui pose des défis sanitaires, sociaux et économiques sans précédent [1]. En novembre 2021, le monde avait confirmé environ 0,2 milliard de cas de COVID-19 ; et rien qu'au Royaume-Uni, plus de 9 millions de personnes ont été contractées, avec 140 000 décès. Afin de minimiser l'infection et les transmissions du SRAS-COV-2, les responsables de la santé publique ont adopté la distanciation sociale comme principale stratégie de contrôle non pharmaceutique, jusqu'à ce que la vaccination de masse devienne disponible [2,3,4,5,6].

L'hésitation face aux vaccins a été l'une des principales menaces pour la santé mondiale, même avant la pandémie de COVID-19. L'Organisation mondiale de la santé (OMS) définit formellement la réticence à la vaccination comme « un retard dans l'acceptation ou le refus d'un vaccin malgré la disponibilité de services de vaccination » [7]. La recherche empirique révèle que les taux d'acceptation des vaccins COVID-19 sont assez faibles dans la plupart des pays, et les taux d'acceptation les plus bas ont été signalés au Koweït, en Jordanie, en Italie et en Russie [8]. Le taux d'acceptation des vaccins COVID-19 diffère non seulement d'un pays à l'autre, mais également au sein d'un même pays. Des études montrent que le taux d'acceptation des vaccins COVID-19 est associé à des facteurs sociodémographiques [9, 10], notamment la race, l'âge, le niveau d'éducation, la confiance dans le gouvernement, entre autres. Afin de répondre à la réticence à la vaccination contre la COVID-19, il est impératif de comprendre les schémas spatiaux des taux de vaccination et le rôle des déterminants socio-économiques sur les taux de vaccination.

Les études existantes ont examiné l'environnement socio-économique et les schémas spatiaux des taux de vaccination contre la COVID-19 dans différents pays, révélant l'association significative entre les déterminants socio-économiques et les taux de vaccination. Soares et al. [11] ont identifié plusieurs facteurs socio-économiques clés qui étaient négativement associés aux taux de vaccination contre la COVID-19 au Portugal, notamment le fait d'être plus jeune, la perte de revenus et l'absence d'intention de se faire vacciner contre la grippe. Benderley et al. [12] ont découvert qu'un âge plus avancé et un statut socio-économique plus élevé étaient positivement associés aux taux de vaccination en Israël. Agarwal et al. [13] ont rapporté que les disparités raciales au niveau de l'État dans les vaccinations COVID-19 aux États-Unis étaient associées au revenu médian, à la disparité dans l'enseignement secondaire et à l'idéologie politique. Nafilian et al. [14] ont identifié que les taux de vaccination chez les adultes âgés en Angleterre différaient considérablement selon une gamme de caractéristiques socio-économiques (par exemple, l'origine ethnique, les groupes religieux). Cependant, seule une relation linéaire a été capturée dans ces études. L'hétérogénéité spatiale à travers la zone d'étude a été à peine discutée dans la littérature. Une étude nationale américaine de Mollalo & Tatar [15] présentée au niveau du comté pour examiner la relation spatiale entre les caractéristiques socio-économiques et les taux de vaccination contre la COVID-19. La mesure de l'accessibilité spatiale a été appliquée dans de nombreux domaines de la santé publique, tels que les services médicaux d'urgence et les services de soins primaires [16, 17]. Plusieurs études aux États-Unis ont brièvement discuté de l'accessibilité spatiale aux sites de vaccination COVID-19 en termes de disparités de race/ethnie et de groupes d'âge [18, 19]. Une étude en Angleterre a évalué la couverture COVID-19 en utilisant le temps de trajet moyen depuis chaque quartier [20]. Cependant, la mesure quantitative de l'accessibilité spatiale n'a jamais été prise en compte comme un facteur associé aux taux réels de vaccination. De plus, la recherche géospatiale sur l'adoption de la vaccination contre le COVID-19 au Royaume-Uni (UK) fait toujours défaut. Des recherches supplémentaires intégrant des ensembles de données à grande échelle et multi-sources sont nécessaires pour obtenir une image complète de la vaccination contre le COVID-19.

Les vaccins COVID-19 ont été déployés depuis le début de la pandémie et à grande échelle au Royaume-Uni. En décembre 2020, les régulateurs britanniques ont délivré une autorisation d'utilisation d'urgence pour les vaccins COVID-19 de Pfizer et BioNTech, puis d'AstraZeneca [21]. Dans le plan de livraison du vaccin COVID-19 [22], il est indiqué que "Nous avons toujours su que les vaccins seraient notre meilleur moyen de sortir de cette pandémie et vers un mode de vie plus normal". Pour maximiser le succès du plan de vaccination, il est essentiel de « garantir un accès facile et sûr pour l'ensemble de la population » [22] au vaccin, ce qui inclut l'accessibilité spatiale (c'est-à-dire la facilité de déplacement vers les sites de vaccination). , il y a un manque important de recherche géospatiale sur l'accessibilité et l'adoption de la vaccination COVID-19 au Royaume-Uni Dans cette étude, nous révélons l'hétérogénéité spatiale de l'adoption de la vaccination COVID-19 et sa relation avec les variables socio-économiques en Angleterre.

Cette étude apporte des contributions à la littérature et à la politique des manières suivantes : premièrement, elle présente le premier modèle spatial des taux de vaccination COVID-19 au niveau des zones de super sortie de la couche intermédiaire (MSOA) en Angleterre. Deuxièmement, dans une démarche pionnière, cette étude considère le rôle de l'accessibilité spatiale aux sites de vaccination en tant que facteur influençant les taux de vaccination, en conjonction avec une série de variables socio-économiques. Troisièmement, les résultats peuvent informer les responsables des politiques de santé publique pour développer des stratégies sur mesure pour augmenter l'adoption des vaccins COVID-19 et ajuster la politique de vaccination locale.

La figure 1 montre la carte de l'Angleterre, avec la limite de neuf régions et districts d'autorités locales. En 2020, l'Angleterre compte 56,3 millions d'habitants, soit 84 % de la population britannique [23]. L'Angleterre a été choisie comme zone d'étude en raison de ses diverses données accessibles au public sur les sites de vaccination et l'utilisation ainsi que des variables socio-économiques.

Carte de l'Angleterre avec la limite de neuf régions (marquées par des couleurs différentes) et les districts d'autorité locale

Nous avons recueilli le nombre hebdomadaire de vaccinations au niveau de la MSOA par tranches d'âge en Angleterre auprès des National Health Services (NHS) England [24], qui ont commencé le 8 décembre 2020. Selon le plan de livraison des vaccins [22], le NHS a donné la priorité aux -résidents à risque (y compris les personnes âgées) et proposer des vaccins aux différentes tranches d'âge par étapes. Dans cette étude, la variable dépendante est le taux cumulé de deuxième dose de vaccination parmi la population âgée de plus de 18 ans au 18 novembre 2021, cette date étant proche de la date à laquelle les données du site de vaccination ont été récupérées.

Nous avons utilisé la MSOA du recensement britannique de 2011 comme unité d'analyse spatiale, qui est une zone géographique conçue pour améliorer la communication des statistiques régionales en Angleterre et au Pays de Galles. Par définition, chaque MSOA a une population moyenne de 7 500 habitants ou 4 000 ménages. L'Angleterre est divisée en 6 791 MSOA.

Les informations démographiques les plus récentes au niveau de la MSOA pour l'Angleterre sont les données sur la population résidente des estimations de mi-année 2019 [23], qui incluent la taille estimée de la population par groupe d'âge et par sexe. Les MSOA sont représentées par des centroïdes pondérés en fonction de la population sur la base des données du recensement de 2011, ce qui est conforme à la représentation de l'unité de demande dans l'étude sur l'accessibilité de Luo et Wang [25]. Cette étude utilise le pourcentage de population de différents groupes d'âge et d'ethnies à partir de ces données démographiques (voir tableau 1).

La possession d'une voiture (c'est-à-dire la proportion de ménages possédant au moins une voiture ou une camionnette) est utilisée comme mesure de l'accessibilité des déplacements locaux [26]. Cette variable est incluse en tant que possession d'une voiture, car l'accessibilité des déplacements locaux pourrait présenter une association considérable avec les taux de vaccination, en particulier dans les zones rurales où les transports publics ne sont pas populaires.

Nous avons utilisé l'indice anglais de privation multiple (IMD) de 2019 [27] comme mesure de la privation relative sur une petite zone. L'IMD a été initialement calculé pour les zones de super sortie de couche inférieure en Angleterre, puis agrégé au niveau MSOA. L'Office des statistiques nationales (ONS) a recommandé d'utiliser les rangs et les déciles de l'IMD plutôt que les scores, car les scores étaient moins faciles à interpréter. Ainsi, l'IMD est représenté par une variable entière dont les valeurs sont comprises entre un (le plus défavorisé) et cinq (le moins défavorisé), ce qui correspond au quintile de l'IMD. L'utilisation du quintile IMD est cohérente avec un rapport récent sur la vaccination COVID-19 de l'ONS [28].

La durée du trajet entre chaque paire de centroïdes MSOA et les sites de vaccination est nécessaire pour calculer l'accessibilité spatiale à la vaccination. Comme les régions diffèrent considérablement en ce qui concerne les modes de déplacement, nous avons utilisé la durée de déplacement moyenne pondérée qui combine la conduite et les transports en commun, en utilisant la proportion de mode de déplacement au niveau régional comme pondération. La proportion de conduite et de transport en commun dans neuf régions est dérivée de [29]. Les détails du calcul de la durée moyenne pondérée du trajet sont disponibles dans le fichier complémentaire 1 : annexe 1.

Les adresses des sites de vaccination contre le SRAS-CoV-2 accessibles au public (N = 2 868) en Angleterre ont été extraites du NHS England [30] jusqu'au 17 novembre 2021. Comme l'approvisionnement en vaccins de chaque site n'est pas disponible, nous supposons un nombre égal et approvisionnement illimité en vaccins sur tous les sites. Ces sites se répartissent en trois types, dont les centres de vaccination (N = 108), les pôles hospitaliers (N = 230) et les services locaux de vaccination (N = 2530). Les services de vaccination locaux comprennent les pharmacies et les services de vaccination dirigés par des médecins généralistes. Bien que des unités mobiles aient fonctionné comme un autre type de services de vaccination, les emplacements de ces unités ne sont pas accessibles au public et ont donc été exclus ici. Les données d'origine du site de vaccination contiennent l'adresse et le code postal (par exemple, "Airedale Hospital NHS FT, Skipton Road, Keighley, West Yorkshire, BD20 6TD"), qui ont été géocodés en coordonnées WGS-84 (longitude, latitude) à l'aide de l'API de géocodage de Google Plate-forme de cartes [31]. L'accessibilité aux sites de vaccination a été calculée à l'aide de la zone de chalandise flottante étendue en deux étapes, qui est spécifiée dans la section Analyses. En résumé, les variables indépendantes sont résumées dans le tableau 1 et seront utilisées dans l'analyse suivante.

Les sections suivantes examineront la relation entre les taux de vaccination contre la COVID-19 et une gamme de variables socio-économiques, en utilisant trois méthodes différentes. Ces modèles incluent une méthode des moindres carrés ordinaires (OLS) comme ligne de base, une régression géographiquement pondérée (GWR) et une GWR multi-échelles (MGWR). Nous calibrerons ces modèles et évaluerons leur précision pour expliquer la variance des taux de vaccination contre le COVID-19 en Angleterre.

La méthode MCO ajuste un modèle linéaire global entre les variables dépendantes et indépendantes. Lorsque cette méthode est appliquée en analyse spatiale, elle est limitative car elle suppose que la relation entre les variables dépendantes et indépendantes est spatialement homogène, ce qui n'est pas vrai dans tous les contextes spatiaux. Pour assouplir cette hypothèse, le GWR fournit une méthode alternative pour examiner les variations spatiales dans les estimations des paramètres locaux. Plus de détails sur le GWR sont disponibles dans le fichier supplémentaire 1 : Annexe 2. À notre connaissance, le GWR a été utilisé dans plusieurs études de recherche pour décrire le degré auquel les facteurs socio-économiques sont associés à la morbidité liée au COVID-19 [32,33,34 ,35] et la mortalité [36], ainsi que les taux de vaccination contre la COVID-19 [15].

Pour surmonter les inconvénients du GWR, Fotheringham et al. [37] ont proposé une extension de la méthode GWR, MGWR, qui calcule des largeurs de bande optimales séparées pour chaque variable indépendante. Cette méthode améliore le GWR ordinaire sous deux aspects : premièrement, elle assouplit l'hypothèse selon laquelle toutes les variables indépendantes influencent la variable de réponse au sein de la même échelle spatiale ; deuxièmement, il atténue le problème de multicolinéarité locale en minimisant le surajustement de GWR et permet d'obtenir des estimations de paramètres plus fiables.

Les variables dépendantes et indépendantes ont été transformées en score z standardisé (avec une moyenne nulle et un écart type unitaire) avant d'être utilisées pour la modélisation. La normalisation des données a deux objectifs : premièrement, elle permet des largeurs de bande sans échelle qui sont comparables entre les variables ; deuxièmement, cela réduit la complexité de calcul de GWR et MGWR. Nous avons utilisé le package Python mgwr [38] pour construire et évaluer les trois modèles.

Nous avons évalué les performances des modèles à l'aide d'une combinaison de critères : R2 ajusté (R2 ajusté), critère d'information d'Akaike (AIC), somme résiduelle des carrés (RSS), log de vraisemblance et I de Moran. Un R2 ajusté plus grand est souhaitable, car cela indique que le modèle peut expliquer une plus grande variance des taux de vaccination. D'autre part, un AIC plus petit ou un RSS plus petit est préférable. Un AIC plus petit implique un modèle plus parcimonieux, et un RSS plus petit implique que le modèle explique une plus grande variance des taux de vaccination (ce qui est similaire à un R2 ajusté plus grand). De plus, une probabilité logarithmique plus grande signifie que le modèle est plus susceptible d'être vrai compte tenu de la distribution des données. De plus, la statistique I de Moran est utilisée pour tester si les résidus du modèle sont spatialement autocorrélés.

L'accessibilité au niveau MSOA des sites de vaccination a été calculée à l'aide de la méthode étendue de zone de captage flottante en deux étapes (E2SFCA) via la bibliothèque Python "access" [39]. Plus de détails sur E2SFCA sont disponibles dans le Fichier complémentaire 1 : Annexe 3 [40].

Le modèle OLS final a été construit sur la base de 14 variables, après avoir supprimé manuellement deux variables pour réduire le problème de multicolinéarité. Comme le montre le tableau 2, les valeurs VIF pour toutes les variables sélectionnées étaient inférieures à 10, ce qui indique que la multicolinéarité n'est pas grave. Les résidus OLS étaient fortement regroupés dans l'espace, car les résultats du test I de Moran montrent que Moran I = 0,203, z-score = 27,109 et p-value <0,01 (tableau 3). Les résidus autocorrélés dans OLS violent l'hypothèse d'indépendance des erreurs du modèle OLS. Par conséquent, les coefficients estimés doivent être interprétés avec prudence.

En comparaison avec l'OLS, le GWR et le MGWR obtiennent de meilleurs ajustements avec un R2 ajusté amélioré, et les modèles locaux peuvent expliquer 84 % (de GWR) ou 83 % (de MGWR) de la variance des taux de vaccination COVID-19. En termes d'AIC, le MGWR est plus parcimonieux que l'OLS et le GWR. D'autre part, GWR atteint la somme résiduelle des carrés (RSS) la plus faible, qui est suivie par MGWR et OLS. En ce qui concerne la distribution spatiale des résidus, OLS et GWR produisent un modèle de résidus spatialement regroupés qui est statistiquement significatif (p < 0,05), tandis que MGWR produit une distribution aléatoire des résidus (p > 0,05). Cela indique que MGWR atténue efficacement l'autocorrélation spatiale ou le regroupement des résidus des taux de vaccination COVID-19.

Les bandes passantes sélectionnées par GWR et MGWR sont présentées dans les Tableau 4 et Tableau 5. Le modèle GWR obtient une bande passante universelle de 195 (en comparaison avec un total de 6786 MSOA dans cette étude). En revanche, les largeurs de bande sélectionnées par le modèle MGWR varient selon les variables. Plus précisément, les bandes passantes de l'Intercept, AGE18_29 et AGE50_59 sont plus petites que la bande passante GWR, indiquant que l'influence de ces variables sur les taux de vaccination est considérablement localisée. D'autre part, les largeurs de bande de plusieurs variables sont proches du nombre d'unités spatiales, notamment BLACK, INCOME, CAR et ACCESS. Cela signifie que la relation entre ces variables et les taux de vaccination est à l'échelle mondiale. Dans la discussion suivante, nous nous concentrerons sur le modèle MGWR.

Dans cette section, nous présentons et discutons les résultats du modèle MGWR sélectionné en visualisant les estimations des paramètres qui ont une relation statistiquement significative avec les taux de vaccination COVID-19. Nous nous concentrons sur l'interprétation du modèle MGWR car il est plus parcimonieux que l'OLS et le GWR et conduit à des résidus distribués de manière aléatoire.

En termes d'ethnicité, les Blancs (%) ont été exclus du modèle afin d'atténuer la multicolinéarité entre les variables. Par conséquent, l'estimation du paramètre illustrée à la Fig. 2 est la différence d'influence entre l'ethnie donnée et le Blanc. Dans l'ensemble, l'ethnie mixte et noire est associée à un taux de vaccination inférieur à travers le pays par rapport au groupe blanc. On constate que l'ethnicité «Autre» diminue les taux de vaccination dans le centre et le sud de l'Angleterre, alors que cette relation est insignifiante à l'intervalle de 95% dans la majeure partie du nord de l'Angleterre. D'autre part, l'ethnicité asiatique a une relation négative avec les taux de vaccination dans le Yorkshire et Humber et certaines parties du nord-ouest, mais a une relation positive avec les taux de vaccination dans l'est et le sud de l'Angleterre.

Estimations des paramètres MGWR pour les proportions ethniques. La couleur grise se rapporte à la non-significativité statistique à un intervalle de 95 %. Les ethnies noires, mixtes et noires sont associées à un taux de vaccination inférieur à travers le pays par rapport au groupe blanc. On constate que l'ethnicité «Autre» diminue les taux de vaccination dans le centre et le sud de l'Angleterre, alors que cette relation est insignifiante dans la majeure partie du nord de l'Angleterre. L'ethnie asiatique est associée à un taux de vaccination plus faible dans le nord-est de l'Angleterre mais à un taux de vaccination plus élevé dans le centre et le sud de l'Angleterre

Nos conclusions concernant la relation entre l'ethnicité et la vaccination sont largement cohérentes avec les taux de vaccination déclarés (du 8 décembre 2020 au 15 mai 2021) par les groupes sociodémographiques parmi les personnes de plus de 40 ans en Angleterre [41], bien que les classifications ethniques soient quelque peu différentes. Plus précisément, ce rapport précisait que les « Britanniques blancs » avaient le taux de vaccination le plus élevé, suivis des « Bangladeshi », « Noirs africains », « Noirs des Caraïbes », « Chinois », « Indiens », « Mixtes », « Autres », « pakistanais' et 'blanc autre'. La figure 2 montre que la plupart des estimations des paramètres de « Noir », « Mixte » et « Autres » sont négatives lorsque ces variables sont statistiquement significatives, ce qui signifie qu'elles sont associées à des taux de vaccination inférieurs à ceux des Blancs. Le groupe « Asiatique » présente une relation spatialement hétérogène avec les taux de vaccination, montrant une association négative dans le nord-est et une association positive dans le centre et le sud de l'Angleterre. Ces résultats (à l'exception des Asiatiques) sont cohérents avec le rapport de l'ONS ci-dessus qui constate que les minorités ethniques ont un taux de vaccination inférieur à celui des Blancs. Cela peut être attribué à des problèmes de confiance dans le gouvernement ou le système de santé parmi les minorités ethniques [42]. De plus, alors que le rapport de l'ONS ne présente qu'une probabilité d'être vacciné pour chaque ethnie, cette étude révèle l'hétérogénéité spatiale nuancée des paramètres (ex. les Asiatiques et les Autres). Ces résultats faciliteraient les mesures localisées pour prioriser les groupes ethniques à plus faible tendance à la vaccination.

Les estimations des paramètres des groupes d'âge sont illustrées à la Fig. 3. Notez que le groupe des 30 à 39 ans a été exclu du modèle MGWR et que, par conséquent, l'interprétation des estimations des paramètres est en comparaison avec l'âge des 30 à 39 ans. Par rapport aux 30-39 ans, les 18-29 ans sont associés à un taux de vaccination plus faible dans plusieurs régions d'Angleterre, ce qui implique que les jeunes sont moins susceptibles de se faire vacciner que le groupe des 30-39 ans. En revanche, les groupes de personnes âgées (40–49, 50–59, 60–69, 70–79 et 80 ans et plus) présentent une association positive avec les taux de vaccination, en particulier dans le centre et le nord de l'Angleterre. Les résultats indiquent que les personnes âgées sont plus susceptibles de se faire vacciner, ce qui est largement cohérent avec l'étude de l'ONS [41] qui révèle que les personnes âgées ont plus de chances de recevoir la première dose de vaccination contre le COVID-19.

Estimations du paramètre MGWR pour les variables de groupe d'âge. La couleur grise se rapporte à la non-significativité statistique à un intervalle de 95 %. Par rapport aux 30-39 ans (la tranche d'âge de référence), les 18-29 ans sont associés à un taux de vaccination plus faible dans plusieurs régions d'Angleterre, ce qui implique que les jeunes sont moins susceptibles de se faire vacciner que le groupe des 30-39 ans. Les groupes de personnes âgées (40–49, 50–59, 60–69, 70–79 et 80 ans et plus) présentent une association positive avec les taux de vaccination, en particulier dans le centre et le nord de l'Angleterre.

Les estimations des paramètres des variables économiques, d'accessibilité et de privation sont illustrées à la Fig. 4. Comme indiqué, la possession d'une voiture par le ménage et le revenu moyen du ménage ont une relation forte et positive avec les taux de vaccination dans la plupart des quartiers, ce qui indique que les personnes ayant une meilleure vie privée la mobilité des transports ou des revenus plus élevés sont plus susceptibles de se faire vacciner. Ceci est conforme au rapport du Parlement britannique [43], qui souligne que l'accessibilité du transport vers les installations de vaccination est l'un des obstacles à l'accessibilité des vaccins.

Estimations des paramètres MGWR pour diverses variables. La couleur grise se rapporte à la non-significativité statistique à un intervalle de 95 %. La possession d'une voiture par le ménage et le revenu moyen du ménage ont une relation forte et positive avec les taux de vaccination dans la plupart des quartiers, ce qui indique que les personnes ayant une meilleure mobilité en transport privé ou des revenus plus élevés sont plus susceptibles de se faire vacciner. La mesure de l'accessibilité aux services de vaccination présente une association positive avec les taux de vaccination, bien qu'à un niveau moins intensif. Les quintiles IMD (le premier quintile signifiant les plus démunis) présentent une relation négative avec les taux de vaccination dans près de la moitié des MSOA, indiquant que moins ils sont démunis, plus les taux de vaccination sont faibles

La mesure de l'accessibilité aux services de vaccination présente une association positive avec les taux de vaccination, bien qu'à un niveau moins intensif. Ce résultat confirme l'importance d'améliorer l'accessibilité aux services de vaccination [22]. En revanche, les quintiles IMD (le premier quintile signifiant les plus démunis) présentent une relation négative avec les taux de vaccination dans près de la moitié des MSOA, indiquant que moins ils sont démunis, plus les taux de vaccination sont faibles [42]. Cela peut s'expliquer par le fait que les personnes vivant dans les zones les plus défavorisées ont des taux plus élevés de la plupart des facteurs de risque cliniques sous-jacents qui augmentent la gravité et la mortalité du COVID-19 et sont donc plus susceptibles de se faire vacciner [44]. Cependant, ce résultat contraste avec le rapport de l'ONS [41], qui constate que pour les individus de l'ensemble de données de l'ONS Public Health Data Asset, moins ils sont démunis, plus ils ont de chances de se faire vacciner. L'explication possible de cette différence est la source de données et l'échelle différentes : alors que cette étude se concentre sur le taux de prise de vaccin au niveau de la MSOA, le rapport de l'ONS utilise des données individuelles dans l'analyse.

Cette étude présente plusieurs limites, ce qui a introduit un biais potentiel dans la recherche actuelle et ouvre des pistes pour de futures recherches. Premièrement, d'autres déterminants importants de la vaccination, y compris les niveaux d'éducation et la confiance dans le gouvernement, n'ont pas été évalués dans cette analyse. L'absence de ces variables pourrait conduire à un sous-ajustement des modèles de régression dans certains domaines. Deuxièmement, la mesure de l'accessibilité à la vaccination COVID-19 serait plus précise si les données des unités mobiles de vaccination étaient disponibles. Troisièmement, la dynamique de la vaccination n'est pas prise en compte dans cette étude. Les recherches futures pourraient construire des modèles spatio-temporels pour tenir compte simultanément de l'hétérogénéité spatiale et de l'évolution de la vaccination, ce qui pourrait éclairer les politiques spécifiques à la région et au groupe de population à différentes étapes de la vaccination de masse.

Dans cette étude, nous avons utilisé des modèles de régression géographiquement pondérés à plusieurs échelles pour révéler que la disparité spatiale des taux de vaccination contre le COVID-19 en Angleterre est fortement associée à des variables socio-économiques et démographiques. De plus, cette relation présente une hétérogénéité spatiale et des effets locaux considérables. Dans l'ensemble, les groupes les plus jeunes (18-29, 30-39) sont associés à des taux de vaccination inférieurs à ceux des personnes âgées, tandis qu'un plus grand nombre de propriétaires de voitures ou une meilleure accessibilité aux services de vaccination entraînent des taux de vaccination plus élevés. En revanche, les zones les plus défavorisées s'avèrent être liées à un taux de vaccination plus élevé que les moins défavorisées. Il convient de noter que le signe et la multitude de la relation varient probablement géographiquement, comme l'ethnie «asiatique» et l'âge de 50 à 59 ans.

À notre connaissance, il y a eu un manque de modélisation spatiale sur petite zone de la vaccination contre le COVID-19 au Royaume-Uni. Pour cette raison, cette étude quantitative servira à soutenir la gestion de la santé publique dans l'élaboration de politiques régionales spécifiques pour maximiser l'adoption de la vaccination dans le cadre de la vaccination COVID-19 en cours et d'autres programmes de vaccination de masse.

Les données à l'appui des résultats rapportés dans cet article sont librement disponibles dans le référentiel de https://github.com/huanfachen/Vaccine_uptake_analysis.

Critère d'information d'Akaike

Maladie du coronavirus 2019

Méthode étendue de bassin versant flottant en deux étapes

Régression pondérée géographiquement

Indice anglais de privation multiple 2019

Régression pondérée géographiquement à plusieurs échelles

Super zones de sortie de la couche intermédiaire

Services nationaux de santé

Moindres carrés ordinaires

Bureau des statistiques nationales

Machine de routage open source

Somme résiduelle du carré

Syndrome respiratoire aigu sévère coronavirus-2

Royaume-Uni

Organisation mondiale de la santé

OMS. L'OMS annonce l'épidémie de COVID-19 comme une pandémie. 2020. Disponible sur : https://www.euro.who.int/en/health-topics/health-emergencies/coronavirus-covid-19/news/news/2020/3/who-announces-covid-19-outbreak -une pandémie.

Chu DK, Akl EA, Duda S, Solo K, Yaacoub S, Schünemann HJ, et al. Distanciation physique, masques faciaux et protection oculaire pour prévenir la transmission de personne à personne du SRAS-CoV-2 et du COVID-19 : une revue systématique et une méta-analyse. Lancette. 2020;395:1973–87.

Article CAS PubMed PubMed Central Google Scholar

Hsiang S, Allen D, Annan-Phan S, Bell K, Bolliger I, Chong T, et al. L'effet des politiques anti-contagion à grande échelle sur la pandémie de COVID-19. Nature. 2020;584:262–7.

Article CAS PubMed Google Scholar

Lewnard JA, Lo NC. Base scientifique et éthique des interventions de distanciation sociale contre le COVID-19. Lancet Infect Dis. 2020;20:631–3.

Article CAS PubMed PubMed Central Google Scholar

Chen T, Zhu D, Cheng T, Gao X, Chen H. Détection de zones d'activité humaine dynamiques à l'aide de mégadonnées géomarquées dans le Grand Londres, au Royaume-Uni, pendant la pandémie de COVID-19. PLoS One. 2023;18:e0277913. [cité le 9 mars 2023] Disponible sur : https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0277913.

Sarim M, Zhao Q, Bailey N. Mobilité des citoyens et croissance des infections pendant la pandémie de COVID-19 avec les effets des restrictions gouvernementales en Europe occidentale. Springer, Cham ; 2021 [cité le 9 mars 2023] ;279–94. Disponible sur : https://link.springer.com/chapter/10.1007/978-3-030-72808-3_14.

MacDonald NE, School J, Liang X, Chaudhuri M, Dube E, Gellin B, et al. Réticence à la vaccination : définition, portée et déterminants. Vaccin. 2015;33:4161–4.

Google Scholar PubMed

Sallam M. Réticence à la vaccination contre le Covid-19 dans le monde : Une revue systématique concise des taux d'acceptation des vaccins. Vaccins (Bâle). 2021;9:1–15.

Hassan W, Kazmi SK, Tahir MJ, Ullah I, Royan HA, Fahriani M, et al. Acceptation mondiale et hésitation de la vaccination contre le COVID-19 : un examen narratif. Narra J. 2021;1:e57.

Rosiello DF, Anwar S, Yufika A, Adam RY, Ismail MIH, Ismail AY, et al. Acceptation de la vaccination contre le COVID-19 à différents niveaux hypothétiques d'efficacité et de sécurité dans dix pays d'Asie, d'Afrique et d'Amérique du Sud. Narra J. 2021;1:e5

Soares P, Rocha JV, Moniz M, Gama A, Laires PA, Pedro AR, et al. Facteurs associés à la réticence au vaccin COVID-19. Vaccins (Bâle). 2021;9:300.

Benderly M, Huppert A, Novikov I, Ziv A, Kalter-Leibovici O. Combattre une pandémie : disparités sociodémographiques et lacunes en matière de vaccination contre la maladie à coronavirus 2019 - une étude de population. Int J Epidemiol : Oxford University Press (OUP) ; 2022.

Agarwal R, Dugas M, Ramaprasad J, Luo J, Li G, Gao G. Le privilège socio-économique et l'idéologie politique sont associés à la disparité raciale dans la vaccination COVID-19. Proc Natl Acad Sci US A. 2021;118:2107873118.

Nafilyan V, Dolby T, Razieh C, Gaughan CH, Morgan J, Ayoubkhani D, et al. Inégalité sociodémographique dans la couverture vaccinale COVID-19 chez les personnes âgées en Angleterre : une étude nationale de données liées. BMJ ouvert. 2021;11:e053402.

Mollalo A, Tatar M. Modélisation spatiale de l'hésitation au vaccin covid-19 aux États-Unis. Int J Environ Res Public Health. 2021;18:9488.

Cao Y, Stewart K, Wish E, Artigiani E, Sorg M. Détermination de l'accès spatial au traitement des troubles liés à l'utilisation d'opioïdes et aux services médicaux d'urgence dans le New Hampshire. J Subst Abus Traiter Elsevier. 2019;101:55–66.

Article Google Scholar

Wan N, Zhan FB, Zou B, Chow E. Une approche d'évaluation de l'accès spatial relatif pour analyser l'accès spatial potentiel aux services de lutte contre le cancer colorectal au Texas. Géographie appliquée Elsevier Ltd. 2012;32:291–9.

Article Google Scholar

Liu D, Kwan MP, Kan Z, Song Y, Li X. Inégalité raciale/ethnique dans l'accessibilité spatiale basée sur le transport en commun aux sites de vaccination COVID-19. J Disparités ethniques raciales en matière de santé. 2022. https://link.springer.com/article/10.1007/s40615-022-01339-x.

Kim K, Ghorbanzadeh M, Horner MW, Ozguven EE. Évaluation des disparités d'accessibilité spatiale aux sites de vaccination en Floride. Anne SIG. 2022;28:263–77.

Article Google Scholar

Duffy C, Newing A, Górska J. Évaluation de l'accessibilité géographique et de l'équité des sites de vaccination COVID-19 en Angleterre. Vaccins 2022, Vol 10, Page 50. Institut d'édition numérique multidisciplinaire ; 2021 ;10:50. [cité le 5 septembre 2022] Disponible sur : https://www.mdpi.com/2076-393X/10/1/50/htm.

Ledford H, Cyranoski D, Van Noorden R. Le Royaume-Uni a approuvé un vaccin COVID - voici ce que les scientifiques veulent maintenant savoir. Nature. 2020;588:205–6.

Article CAS PubMed Google Scholar

Département britannique de la santé et des affaires sociales. Plan de livraison des vaccins COVID-19 au Royaume-Uni. 2021. p. 1–47. Disponible sur : https://www.gov.uk/government/publications/uk-covid-19-vaccines-delivery-plan.

ONS. Estimations de la population pour le Royaume-Uni, l'Angleterre et le Pays de Galles, l'Écosse et l'Irlande du Nord. 2020 [cité le 13 août 2021]. Disponible sur : https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/populationestimates/bulletins/annualmidyearpopulationestimates/latest#population-growth-in-england-wales-scotland-and-northern-ireland.

NHS. Archives des vaccins COVID-19. 2021. Disponible sur : https://www.england.nhs.uk/statistics/statistical-work-areas/covid-19-vaccinations/covid-19-vaccinations-archive/.

Luo W, Wang F. Mesures d'accessibilité spatiale aux soins de santé dans un environnement SIG : synthèse et étude de cas dans la région de Chicago. Environ Plann B Plann Des. 2003;30:865–84.

Article PubMed PubMed Central Google Scholar

ONS. Disponibilité d'une voiture ou d'une fourgonnette. Nomis. 2011. Disponible sur : https://www.nomisweb.co.uk/census/2011/qs416ew.

MHCLG. Indices anglais de privation des statistiques nationales 2019. 2019.

Dolby T, Finning K, Baker A, Fowler-Dowd L, Khunti K, Razieh C, et al. Surveillance des inégalités sociodémographiques dans la vaccination contre le COVID-19 en Angleterre : une étude nationale de données liées. J Epidemiol Community Health. 2022;76:646–52.

Département britannique des transports. Mode de déplacement - GOV.UK. 2020 [cité le 13 août 2021]. Disponible sur : https://www.gov.uk/government/statistical-data-sets/nts03-modal-comparisons#mode-by-region.

NHS Angleterre. Sites de vaccination contre le coronavirus. 2021 [cité le 23 juillet 2021]. Disponible sur : https://www.england.nhs.uk/coronavirus/publication/vaccination-sites/.

Google. API de géocodage de Google Maps Platform. 2021 [cité le 23 juillet 2021]. Disponible sur : https://developers.google.com/maps/documentation/geocoding/start.

Cheval jaune AJ, Yang TC, Huyser KR. Les inégalités structurelles ont établi l'architecture de la pandémie de COVID-19 chez les Amérindiens en Arizona : une perspective de régression géographiquement pondérée. J Disparités ethniques raciales en matière de santé. 2022;9:165–75.

Maiti A, Zhang Q, Sannigrahi S, Pramanik S, Chakraborti S, Cerda A, et al. Exploration des effets spatio-temporels des facteurs déterminants sur les incidences de COVID-19 aux États-Unis contigus. Sustain Cities Soc. 2021;68:102784.

Wu X, Zhang J. Exploration des impacts variables spatio-temporels sur le cas cumulatif de COVID-19 au Texas à l'aide d'une régression géographiquement pondérée (GWR). Rés. sondage Environ Sci. 2021;28:43732–46.

Chen Y, Jiao J. Relation entre sociodémographie et COVID-19 : une étude de cas dans trois régions du Texas. Revue électronique SSRN. Elsevier BV ; 2020 ;

Zhang J, Wu X, Edwin Chow T. Détection du cluster spatio-temporel et analyse de régression géographique pondérée de la mortalité due au COVID-19 dans les comtés du Texas. Int J Environ Res Public Health. 2021;18:5541.

Fotheringham AS, Yang W, Kang W. Régression pondérée géographiquement à plusieurs échelles (MGWR). Ann Am Assoc Géogr. Taylor et Francis Ltd. ; 2017 [cité le 11 mai 2020] ;107:1247–65. Disponible sur : https://www.tandfonline.com/doi/full/10.1080/24694452.2017.1352480.

Oshan TM, Li Z, Kang W, Wolf LJ, Stewart Fotheringham A. MGWR : Une implémentation python de la régression pondérée géographiquement à plusieurs échelles pour étudier l'hétérogénéité spatiale et l'échelle des processus. ISPRS Int J Geoinf. 2019;8:269.

Saxon J, Koschinsky J, Acosta K, Anguiano V, Anselin L, Rey S. Un environnement logiciel ouvert pour rendre les métriques d'accès spatial plus accessibles. J Comput Soc Sci. 2021;5:265–84.

Luo W, Qi Y. Une méthode améliorée de zone de chalandise flottante en deux étapes (E2SFCA) pour mesurer l'accessibilité spatiale aux médecins de soins primaires. Lieu de santé. 2009;15:1100–7. Disponible sur : https://doi.org/10.1016/j.healthplace.2009.06.002.

Bureau des statistiques nationales. Taux de vaccination contre la COVID-19 et rapports de cotes par groupe sociodémographique. 2021 [cité le 20 août 2021]. Disponible sur : https://www.ons.gov.uk/peoplepopulationandcommunity/healthandsocialcare/healthinequalities/datasets/covid19vaccinationratesandoddsratiosbysociodemographicgroup.

Mills MC, Rahal C, Brazel D, Yan J, Gieysztor S. Déploiement du vaccin COVID-19 : comportement, éthique, désinformation et stratégies politiques. L'Académie britannique. 2020 [cité le 26 septembre 2021] ;1–35. Disponible sur : https://royalsociety.org/-/media/policy/projects/set-c/set-c-vaccine-deployment.pdf.

Mutebi N. Couverture vaccinale COVID-19 et interventions ciblées pour améliorer le taux de vaccination - POST. 2021 [cité le 20 août 2021]. Disponible sur : https://post.parliament.uk/covid-19-vaccine-coverage-and-targeted-interventions-to-improve-vaccination-uptake/.

Bambra C, Riordan R, Ford J, Matthews F. La pandémie de COVID-19 et les inégalités de santé. J Epidemiol Community Health. 2020;74:964–8.

Google Scholar PubMed

Télécharger les références

Nous tenons à remercier tous les commentaires et suggestions perspicaces sur les versions antérieures de ce manuscrit de la part des relecteurs anonymes.

Le Dr Qunshan Zhao a reçu le soutien continu de l'ESRC du Royaume-Uni pour l'Urban Big Data Center (UBDC) [ES/L011921/1 et ES/S007105/1].

Centre d'analyse spatiale avancée, University College London, Londres, Royaume-Uni

Huanfa Chen et Lingru Feng

Département de géographie, Université de Hong Kong, Hong Kong, Chine

Yanjia Cao

Institut de planification et de conception de Chongqing, Chongqing, Chine

Lingru Feng

Key Laboratory of Monitoring, Evaluation and Early Warning of Territorial Spatial Planning Implementation, Ministère des ressources naturelles, Chongqing, Chine

Lingru Feng

Urban Big Data Centre, École des sciences sociales et politiques, Université de Glasgow, Glasgow, Royaume-Uni

Tours Qunshan Zhao et Jose Rafael Verduzco

Département d'études urbaines, Université de Glasgow, Glasgow, Royaume-Uni

Tours Qunshan Zhao et Jose Rafael Verduzco

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

HC : conceptualisation, méthodologie, rédaction—ébauche originale, supervision. YC : conceptualisation, revue de la littérature, validation, rédaction - révision et édition. LF : curation de données, logiciel, analyse de données, rédaction - révision et édition. QZ : conceptualisation, méthodologie, validation, rédaction – révision & édition. JRVT : logiciel, analyse de données, rédaction – révision et édition. Tous les auteurs ont lu et approuvé le manuscrit.

Correspondance à Huanfa Chen.

Cette recherche est basée sur des données ouvertes, il n'y a donc pas de problèmes éthiques avec cette recherche.

N'est pas applicable.

Les auteurs rapportent qu'il n'y a pas d'intérêts concurrents à déclarer.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Fichier supplémentaire 1.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/. La renonciation Creative Commons Public Domain Dedication (http://creativecommons.org/publicdomain/zero/1.0/) s'applique aux données mises à disposition dans cet article, sauf indication contraire dans une ligne de crédit aux données.

Réimpressions et autorisations

Chen, H., Cao, Y., Feng, L. et al. Comprendre l'hétérogénéité spatiale de la vaccination contre le COVID-19 en Angleterre. BMC Public Health 23, 895 (2023). https://doi.org/10.1186/s12889-023-15801-w

Télécharger la citation

Reçu : 03 novembre 2022

Accepté : 02 mai 2023

Publié: 16 mai 2023

DOI : https://doi.org/10.1186/s12889-023-15801-w

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt