Comprender la heterogeneidad espacial de COVID | Grupo Co., Ltd de Changchun BoldVision Group

BMC Public Health volumen 23, Número de artículo: 895 (2023) Citar este artículo

719 Accesos

7 Altmetric

Detalles de métricas

La vacunación masiva ha sido una estrategia clave para contener de manera efectiva la pandemia global de COVID-19 que planteó desafíos sociales y económicos sin precedentes para muchos países. Sin embargo, las tasas de vacunación varían según el espacio y los factores socioeconómicos, y es probable que dependan de la accesibilidad a los servicios de vacunación, lo que no se ha investigado suficientemente en la literatura. Este estudio tiene como objetivo identificar empíricamente la relación espacialmente heterogénea entre las tasas de vacunación de COVID-19 y los factores socioeconómicos en Inglaterra.

Investigamos el porcentaje de personas mayores de 18 años completamente vacunadas en áreas pequeñas en toda Inglaterra hasta el 18 de noviembre de 2021. Usamos una regresión ponderada geográficamente multiescala (MGWR) para modelar la relación espacialmente heterogénea entre las tasas de vacunación y los determinantes socioeconómicos, incluidos factores étnicos, de edad, económicos y de accesibilidad.

Este estudio indica que el modelo MGWR seleccionado puede explicar el 83,2% de la varianza total de las tasas de vacunación. Las variables que muestran una asociación positiva con las tasas de vacunación en la mayoría de las áreas incluyen la proporción de población mayor de 40 años, la propiedad de automóviles, el ingreso familiar promedio y la accesibilidad espacial a la vacunación. En cambio, la población menor de 40 años, la población menos desfavorecida y la etnia negra o mestiza se asocian negativamente con las tasas de vacunación.

Nuestros hallazgos indican la importancia de mejorar la accesibilidad espacial a las vacunas en las regiones en desarrollo y entre grupos de población específicos para promover la vacunación contra el COVID-19.

Informes de revisión por pares

La enfermedad por coronavirus 2019 (COVID-19), causada por el síndrome respiratorio agudo severo coronavirus-2 (SARS-CoV-2), ha sido una pandemia mundial que plantea desafíos sanitarios, sociales y económicos sin precedentes [1]. Hasta noviembre de 2021, el mundo ha confirmado aproximadamente 200 millones de casos de COVID-19; y solo en el Reino Unido, más de 9 millones de personas han sido contratadas, con 140.000 muertes. Para minimizar la infección y las transmisiones por SARS-COV-2, los funcionarios de salud pública han adoptado el distanciamiento social como la principal estrategia de control no farmacéutico, hasta que la vacunación masiva esté disponible [2,3,4,5,6].

La reticencia a las vacunas ha sido una de las principales amenazas para la salud mundial, incluso antes de la pandemia de COVID-19. La Organización Mundial de la Salud (OMS) define formalmente la vacilación de la vacuna como "retraso en la aceptación o rechazo de la vacuna a pesar de la disponibilidad de servicios de vacunas" [7]. La investigación empírica descubre que las tasas de aceptación de las vacunas COVID-19 son bastante bajas en la mayoría de los países, y las tasas de aceptación más bajas se informaron en Kuwait, Jordania, Italia y Rusia [8]. La tasa de aceptación de las vacunas COVID-19 difiere no solo entre países sino también dentro de un país. Los estudios encuentran que la tasa de aceptación de las vacunas COVID-19 está asociada con factores sociodemográficos [9, 10], que incluyen raza, edad, niveles educativos, confianza en el gobierno, entre otros. Para abordar la vacilación de la vacuna COVID-19, es imperativo comprender los patrones espaciales de las tasas de vacunación y el papel de los determinantes socioeconómicos en las tasas de vacunación.

Los estudios existentes han examinado el entorno socioeconómico y los patrones espaciales de las tasas de vacunación contra la COVID-19 en diferentes países, lo que revela la importante asociación entre los determinantes socioeconómicos y las tasas de vacunación. Soare et al. [11] identificaron varios factores socioeconómicos clave que se asociaron negativamente con las tasas de vacunación contra la COVID-19 en Portugal, como ser más joven, la pérdida de ingresos y no tener intención de vacunarse contra la gripe. Benderley et al. [12] descubrió que la edad avanzada y el nivel socioeconómico más alto se asociaron positivamente con las tasas de vacunación en Israel. Agarwal et al. [13] informó que las disparidades raciales a nivel estatal en las vacunas COVID-19 en los Estados Unidos estaban asociadas con el ingreso medio, la disparidad en la educación secundaria y la ideología política. Nafilyan et al. [14] identificaron que las tasas de vacunación entre los adultos mayores en Inglaterra diferían considerablemente en una variedad de características socioeconómicas (p. ej., etnia, grupos religiosos). Sin embargo, en estos estudios solo se capturó una relación lineal. La heterogeneidad espacial en el área de estudio apenas se discutió en la literatura. Un estudio nacional de EE. UU. realizado por Mollalo & Tatar [15] presentado a nivel de condado para examinar la relación espacial entre las características socioeconómicas y las tasas de vacunación contra la COVID-19. La medición de la accesibilidad espacial se ha aplicado en muchos dominios de la salud pública, como los servicios médicos de emergencia y los servicios de atención primaria [16, 17]. Varios estudios en los EE. UU. han discutido brevemente la accesibilidad espacial a los sitios de vacunación COVID-19 en términos de disparidades en raza/etnicidad y grupos de edad [18, 19]. Un estudio en Inglaterra evaluó la cobertura de COVID-19 utilizando el tiempo promedio de viaje desde cada vecindario [20]. Sin embargo, la medición cuantitativa de la accesibilidad espacial nunca se consideró como un factor asociado con las tasas reales de aceptación de la vacuna. Además, todavía falta la investigación geoespacial sobre la aceptación de la vacunación contra la COVID-19 en el Reino Unido (RU). Se necesita más investigación que integre conjuntos de datos a gran escala y de múltiples fuentes para obtener una imagen completa de la vacunación contra el COVID-19.

Las vacunas COVID-19 se han implementado desde la etapa inicial de la pandemia y a gran escala en el Reino Unido. En diciembre de 2020, los reguladores del Reino Unido emitieron una autorización de uso de emergencia para las vacunas COVID-19 de Pfizer y BioNTech, y más tarde de AstraZeneca [21]. En el plan de entrega de la vacuna COVID-19 [22], se afirma que 'Siempre hemos sabido que las vacunas serían nuestra mejor salida de esta pandemia y hacia una forma de vida más normal'. Para maximizar el éxito del plan de vacunación, es esencial "garantizar un fácil acceso seguro para toda la población" [22] a la vacuna, lo que incluye la accesibilidad espacial (es decir, la facilidad de viajar a los sitios de vacunación). Sin embargo, como se discutió , existe una falta significativa de investigación geoespacial sobre la accesibilidad y la aceptación de la vacunación contra la COVID-19 en el Reino Unido. En este estudio, revelamos la heterogeneidad espacial de la aceptación de la vacunación contra la COVID-19 y su relación con las variables socioeconómicas en Inglaterra.

Este estudio hace contribuciones a la literatura y la política de las siguientes maneras: en primer lugar, presenta el primer modelo espacial de las tasas de vacunación de COVID-19 en el nivel de áreas de superproducción de capa media (MSOA) en Inglaterra. En segundo lugar, en un movimiento pionero, este estudio considera el papel de la accesibilidad espacial a los sitios de vacunación como un factor que influye en las tasas de aceptación de vacunas, junto con una variedad de variables socioeconómicas. En tercer lugar, los hallazgos pueden informar a los formuladores de políticas de salud pública para que desarrollen estrategias personalizadas para aumentar la aceptación de las vacunas contra el COVID-19 y ajustar la política de vacunación local.

La Figura 1 muestra el mapa de Inglaterra, con el límite de nueve regiones y distritos de autoridades locales. En 2020, Inglaterra tiene una población de 56,3 millones, que comprende el 84 % de la población del Reino Unido [23]. Inglaterra fue seleccionada como el área de estudio debido a sus diversos datos disponibles públicamente sobre los sitios de vacunación y la aceptación, así como por las variables socioeconómicas.

Mapa de Inglaterra con el límite de nueve regiones (marcadas con diferentes colores) y distritos de autoridades locales

Recopilamos el número semanal de vacunación de nivel MSOA por grupos de edad en Inglaterra de los Servicios Nacionales de Salud (NHS) de Inglaterra [24], que comenzó el 8 de diciembre de 2020. De acuerdo con el plan de administración de vacunas [22], el NHS ha priorizado la alta -residentes de riesgo (incluidos los ancianos) y ofrecer vacunas a diferentes grupos de edad por etapas. En este estudio, la variable dependiente es la tasa de vacunación acumulada de segunda dosis entre la población mayor de 18 años a 18 de noviembre de 2021, ya que esta fecha fue cercana a la fecha en que se recuperaron los datos del sitio de vacunación.

Utilizamos la MSOA del censo del Reino Unido de 2011 como unidad de análisis espacial, que es un área geográfica diseñada para mejorar la presentación de informes de estadísticas de áreas pequeñas en Inglaterra y Gales. Por definición, cada MSOA tiene una población promedio de 7500 residentes o 4000 hogares. Inglaterra está dividida en 6.791 MSOA.

La información demográfica de nivel MSOA más reciente para Inglaterra son los datos de población residente de las estimaciones de mitad de año de 2019 [23], que incluyen el tamaño estimado de la población por grupo de edad y sexo. Las MSOA están representadas por centroides ponderados por población basados en datos del censo de 2011, lo que está en línea con la representación de la unidad de demanda en el estudio de accesibilidad de Luo y Wang [25]. Este estudio utiliza el porcentaje de población de diferentes grupos de edad y etnia de estos datos demográficos (ver Tabla 1).

La propiedad de automóviles (es decir, la proporción de hogares que tienen al menos un automóvil o una furgoneta) se utiliza como medida de la accesibilidad de los viajes locales [26]. Esta variable se incluye como propiedad de automóviles, ya que la accesibilidad de los viajes locales podría mostrar una asociación considerable con las tasas de aceptación de la vacuna, especialmente en áreas rurales donde el transporte público no es popular.

Utilizamos el Índice Inglés de Privación Múltiple (IMD) de 2019 [27] como medida de la privación relativa en áreas pequeñas. El IMD se calculó originalmente para las áreas de superproducción de capa inferior en Inglaterra y luego se agregó al nivel de MSOA. La Oficina de Estadísticas Nacionales (ONS) recomendó usar los rangos y deciles de IMD en lugar de las puntuaciones, ya que las puntuaciones eran menos fáciles de interpretar. Así, el IMD está representado por una variable entera con valores entre uno (el más desfavorecido) y cinco (el menos desfavorecido), que corresponden al quintil del IMD. El uso del quintil IMD es consistente con un informe reciente sobre la vacunación COVID-19 de ONS [28].

La duración del viaje entre cada par de centroides MSOA y sitios de vacunación es necesaria para calcular la accesibilidad espacial a la vacunación. Como las regiones difieren considerablemente en cuanto a los modos de viaje, utilizamos la duración media ponderada del viaje que combina la conducción y el transporte público, utilizando la proporción del modo de viaje a nivel regional como ponderación. La proporción de conducción y transporte público en nueve regiones se derivó de [29]. Los detalles del cálculo de la duración media ponderada del viaje están disponibles en Archivo adicional 1: Apéndice 1.

Las direcciones de los sitios de vacunación contra el SARS-CoV-2 de acceso público (N = 2,868) en Inglaterra se recuperaron del NHS England [30] hasta el 17 de noviembre de 2021. Como el suministro de vacunas en cada sitio no está disponible, asumimos un suministro igual y suministro ilimitado de vacunas en todos los sitios. Estos sitios se dividen en tres tipos, incluidos los centros de vacunación (N = 108), los centros hospitalarios (N = 230) y los servicios locales de vacunación (N = 2530). Los servicios locales de vacunación incluyen farmacias y servicios de vacunación dirigidos por médicos de cabecera. Si bien las unidades móviles funcionaban como otro tipo de servicios de vacunación, las ubicaciones de estas unidades no están disponibles al público y, por lo tanto, fueron excluidas del presente. Los datos originales del sitio de vacunación contienen la dirección y el código postal (p. ej., 'Airedale Hospital NHS FT, Skipton Road, Keighley, West Yorkshire, BD20 6TD'), que se geocodificaron en coordenadas WGS-84 de (longitud, latitud) utilizando la API de codificación geográfica de Google Plataforma de mapas [31]. La accesibilidad a los sitios de vacunación se calculó utilizando el área de captación flotante de dos pasos extendida, que se especifica en la sección Análisis. En resumen, las variables independientes se resumen en la Tabla 1 y se utilizarán en el siguiente análisis.

Las siguientes secciones examinarán la relación entre las tasas de aceptación de la vacunación contra la COVID-19 y una variedad de variables socioeconómicas, utilizando tres métodos diferentes. Estos modelos incluyen un método de mínimos cuadrados ordinarios (OLS) como línea base, regresión ponderada geográficamente (GWR) y GWR multiescala (MGWR). Calibraremos estos modelos y evaluaremos su precisión para explicar la variación de las tasas de aceptación de la vacunación COVID-19 en Inglaterra.

El método OLS ajusta un modelo lineal global entre las variables dependientes e independientes. Cuando este método se aplica en el análisis espacial, es limitante ya que supone que la relación entre las variables dependientes e independientes es espacialmente homogénea, lo que no es cierto en todos los contextos espaciales. Para relajar esta suposición, el GWR proporciona un método alternativo para examinar las variaciones espaciales en las estimaciones de parámetros locales. Más detalles sobre GWR están disponibles en Archivo adicional 1: Apéndice 2. Hasta donde sabemos, GWR se ha utilizado en múltiples estudios de investigación para describir el grado en que los factores socioeconómicos están asociados con la morbilidad de COVID-19 [32,33,34 ,35] y mortalidad [36], y también tasas de vacunación contra la COVID-19 [15].

Para superar los inconvenientes de GWR, Fotheringham et al. [37] propusieron una extensión del método GWR, MGWR, que calcula anchos de banda óptimos separados para cada variable independiente. Este método mejora el GWR ordinario en dos aspectos: primero, relaja la suposición de que todas las variables independientes influyen en la variable de respuesta dentro de la misma escala espacial; segundo, alivia el problema de la multicolinealidad local al minimizar el sobreajuste de GWR y logra estimaciones de parámetros más confiables.

Las variables dependientes e independientes se transformaron en puntaje z estandarizado (con media cero y desviación estándar unitaria) antes de usarse para el modelado. La estandarización de datos tiene dos propósitos: primero, permite anchos de banda sin escala que son comparables entre variables; segundo, reduce la complejidad computacional de GWR y MGWR. Usamos el paquete de Python mgwr [38] para construir y evaluar los tres modelos.

Evaluamos el rendimiento de los modelos utilizando una combinación de criterios: R2 ajustado (R2 adj.), Criterio de información de Akaike (AIC), suma residual de cuadrados (RSS), logaritmo de verosimilitud e I de Moran. Es deseable un R2 ajustado más grande, ya que indica que el modelo puede explicar una mayor variación de las tasas de aceptación de la vacuna. Por otro lado, se prefiere un AIC más pequeño o un RSS más pequeño. Un AIC más pequeño implica un modelo más parsimonioso, y un RSS más pequeño implica que el modelo explica una variación mayor de las tasas de aceptación de la vacuna (que es similar a un R2 ajustado más grande). Además, una mayor probabilidad logarítmica significa que es más probable que el modelo sea verdadero dada la distribución de datos. Además, se utiliza el estadístico I de Moran para comprobar si los residuos del modelo están espacialmente autocorrelacionados.

La accesibilidad a nivel de MSOA a los sitios de vacunación se calculó utilizando el método de área de captación flotante de dos pasos extendido (E2SFCA) a través de la biblioteca Python 'acceso' [39]. Más detalles de E2SFCA están disponibles en el Archivo adicional 1: Apéndice 3 [40].

El modelo OLS final se construyó en base a 14 variables, después de eliminar manualmente dos variables para reducir el problema de multicolinealidad. Como se muestra en la Tabla 2, los valores VIF para todas las variables seleccionadas fueron menores a 10, lo que indica que la multicolinealidad no es severa. Los residuos de OLS estaban muy agrupados en el espacio, ya que los resultados de la prueba I de Moran muestran que I de Moran = 0,203, puntuación z = 27,109 y valor p < 0,01 (Tabla 3). Los residuos autocorrelacionados en OLS violan el supuesto de independencia de errores del modelo OLS. Por lo tanto, los coeficientes estimados deben interpretarse con cautela.

En comparación con OLS, tanto el GWR como el MGWR logran mejores ajustes con un R2 ajustado mejorado, y los modelos locales pueden explicar el 84 % (de GWR) o el 83 % (de MGWR) de la varianza de las tasas de vacunación contra la COVID-19. En términos de AIC, el MGWR es más parsimonioso que OLS y GWR. Por otro lado, GWR logra la suma residual de cuadrados (RSS) más baja, seguida de MGWR y OLS. Con respecto a la distribución espacial de los residuos, tanto OLS como GWR producen un patrón de residuos agrupados espacialmente que es estadísticamente significativo (p < 0,05), mientras que MGWR produce una distribución aleatoria de residuos (p > 0,05). Esto indica que MGWR mitiga efectivamente la autocorrelación espacial o el agrupamiento de residuos de las tasas de vacunación de COVID-19.

Los anchos de banda seleccionados por GWR y MGWR se presentan en la Tabla 4 y la Tabla 5. El modelo GWR obtiene un ancho de banda universal de 195 (en comparación con un total de 6786 MSOA en este estudio). Por el contrario, los anchos de banda seleccionados por el modelo MGWR varían según las variables. Específicamente, los anchos de banda de Intercept, AGE18_29 y AGE50_59 son más pequeños que el ancho de banda de GWR, lo que indica que la influencia de estas variables en las tasas de vacunación está considerablemente localizada. Por otro lado, los anchos de banda de varias variables están cerca del número de unidades espaciales, incluyendo NEGRO, INGRESO, COCHE y ACCESO. Eso significa que la relación entre estas variables y las tasas de vacunación es a escala mundial. En la siguiente discusión, nos centraremos en el modelo MGWR.

En esta sección, presentamos y discutimos los resultados del modelo MGWR seleccionado al visualizar las estimaciones de parámetros que tienen una relación estadísticamente significativa con las tasas de vacunación de COVID-19. Nos enfocamos en interpretar el modelo MGWR ya que es más parsimonioso que OLS y GWR y conduce a residuos distribuidos aleatoriamente.

En cuanto a la etnicidad, los blancos (%) fueron excluidos del modelo para mitigar la multicolinealidad entre variables. Por lo tanto, la estimación del parámetro que se muestra en la Fig. 2 es la diferencia de la influencia entre la etnia dada y los blancos. En general, la etnia mixta y negra está asociada con una tasa de vacunación más baja en todo el país en comparación con el grupo blanco. Se encuentra que la etnia 'Otra' disminuye las tasas de vacunación en el centro y el sur de Inglaterra, mientras que esta relación es insignificante en el intervalo del 95% en la mayor parte del norte de Inglaterra. Por otro lado, la etnia asiática tiene una relación negativa con las tasas de vacunación en Yorkshire y Humber y partes del noroeste, pero tiene una relación positiva con las tasas de vacunación en el este y sur de Inglaterra.

Estimaciones de parámetros MGWR para las proporciones étnicas. El color gris se refiere a la no significación estadística en el intervalo del 95%. Las etnias negra, mixta y negra están asociadas con una tasa de vacunación más baja en todo el país en comparación con el grupo blanco. Se encuentra que la etnia 'Otra' disminuye las tasas de vacunación en el centro y sur de Inglaterra, mientras que esta relación es insignificante en la mayor parte del norte de Inglaterra. La etnia asiática está asociada con una tasa de vacunación más baja en el noreste de Inglaterra, pero con una tasa de vacunación más alta en el centro y sur de Inglaterra.

Nuestros hallazgos con respecto a cómo se relaciona el origen étnico con la vacunación son en gran medida consistentes con las tasas de vacunación informadas (del 8 de diciembre de 2020 al 15 de mayo de 2021) por grupos sociodemográficos entre personas mayores de 40 años en Inglaterra [41], aunque las clasificaciones étnicas son algo diferentes. Específicamente, este informe especificó que los 'británicos blancos' tenían la tasa de vacunación más alta, seguidos de 'Bangladesh', 'Black African', 'Black Caribbean', 'Chinese', 'Indian', 'Mixed', 'Otro', ' pakistaníes' y 'otros blancos'. La Figura 2 encuentra que la mayoría de las estimaciones de parámetros de 'Negro', 'Mezclado' y 'Otros' son negativas donde estas variables son estadísticamente significativas, lo que significa que están asociadas con tasas de vacunación más bajas en comparación con los Blancos. El grupo 'asiático' exhibe una relación espacialmente heterogénea con las tasas de vacunación, mostrando una asociación negativa en el noreste y una asociación positiva en el centro y sur de Inglaterra. Estos resultados (excepto asiáticos) son consistentes con el informe ONS anterior que encuentra que las minorías étnicas tienen tasas de vacunación más bajas que los blancos. Esto puede atribuirse a problemas de confianza en el gobierno o el sistema de salud entre las minorías étnicas [42]. Además, mientras que el informe de la ONS presenta solo una probabilidad de ser vacunado para cada grupo étnico, este estudio revela la heterogeneidad espacial matizada de los parámetros (por ejemplo, asiáticos y otros). Estos resultados facilitarían las medidas localizadas para priorizar las etnias con menor tendencia a la vacunación.

Las estimaciones de los parámetros de los grupos de edad se ilustran en la Fig. 3. Tenga en cuenta que el grupo de 30 a 39 años se excluyó del modelo MGWR y, por lo tanto, la interpretación de las estimaciones de los parámetros es en comparación con la edad de 30 a 39 años. En comparación con la edad de 30 a 39 años, la edad de 18 a 29 años se asocia con una tasa de vacunación más baja en varias partes de Inglaterra, lo que implica que los jóvenes tienen menos probabilidades de vacunarse que el grupo de 30 a 39 años. Por el contrario, los grupos de personas mayores (40–49, 50–59, 60–69, 70–79 y mayores de 80 años) exhiben una asociación positiva con las tasas de vacunación, especialmente en el centro y norte de Inglaterra. Los resultados indican que es más probable que las personas mayores se vacunen, lo que concuerda en gran medida con el estudio de la ONS [41] que encuentra que las personas mayores tienen mayores probabilidades de recibir la primera dosis de la vacuna contra la COVID-19.

Estimaciones de parámetros MGWR para las variables de grupo de edad. El color gris se refiere a la no significación estadística en el intervalo del 95%. En comparación con la edad de 30 a 39 años (la categoría de edad de referencia), la edad de 18 a 29 años se asocia con una tasa de vacunación más baja en varias partes de Inglaterra, lo que implica que los jóvenes tienen menos probabilidades de vacunarse que el grupo de 30 a 39 años. Los grupos de personas mayores (40 a 49, 50 a 59, 60 a 69, 70 a 79 y mayores de 80 años) muestran una asociación positiva con las tasas de vacunación, especialmente en el centro y norte de Inglaterra.

Las estimaciones de los parámetros de las variables económicas, de accesibilidad y de privación se muestran en la figura 4. Como se muestra, tanto la propiedad de automóviles como el ingreso familiar promedio tienen una relación fuerte y positiva con las tasas de vacunación en la mayoría de los vecindarios, lo que indica que las personas con mejores la movilidad del transporte o los ingresos más altos tienen más probabilidades de vacunarse. Esto está alineado con el informe del Parlamento del Reino Unido [43], que señala que la accesibilidad del transporte a las instalaciones de vacunas es una de las barreras para la accesibilidad de las vacunas.

Estimaciones de parámetros MGWR para varias variables. El color gris se refiere a la no significación estadística en el intervalo del 95%. Tanto la propiedad de un automóvil como el ingreso familiar promedio tienen una relación fuerte y positiva con las tasas de vacunación en la mayoría de los vecindarios, lo que indica que las personas con mejor movilidad en el transporte privado o ingresos más altos tienen más probabilidades de vacunarse. La medida de accesibilidad a los servicios de vacunación exhibe una asociación positiva con las tasas de vacunación, aunque a un nivel menos intensivo. Los quintiles IMD (el primer quintil significa los más desfavorecidos) muestran una relación negativa con las tasas de vacunación en casi la mitad de las MSOA, lo que indica que cuanto menos desfavorecidos, menores son las tasas de vacunación.

La medida de accesibilidad a los servicios de vacunación exhibe una asociación positiva con las tasas de vacunación, aunque a un nivel menos intensivo. Este hallazgo confirma la importancia de mejorar la accesibilidad a los servicios de vacunación [22]. Por el contrario, los quintiles IMD (el primer quintil significa los más desfavorecidos) muestran una relación negativa con las tasas de vacunación en casi la mitad de las MSOA, lo que indica que cuanto menos desfavorecidos, menores son las tasas de vacunación [42]. Esto puede explicarse porque las personas que viven en las áreas más desfavorecidas tienen tasas más altas de la mayoría de los factores de riesgo clínicos subyacentes que aumentan la gravedad y la mortalidad de la COVID-19 y, por lo tanto, tienen más probabilidades de vacunarse [44]. Sin embargo, este hallazgo contrasta con el informe de la ONS [41], que encuentra que para las personas en el conjunto de datos de activos de datos de salud pública de la ONS, cuanto menos desfavorecidos, mayores son las probabilidades de vacunarse. La posible explicación de esta diferencia es la diferente fuente y escala de datos: mientras que este estudio se centra en la tasa de aceptación de la vacuna a nivel de MSOA, el informe de la ONS utiliza datos individuales en el análisis.

Este estudio tiene varias limitaciones, lo que ha introducido un posible sesgo en la investigación actual y abre caminos para futuras investigaciones. En primer lugar, en este análisis no se evaluaron otros determinantes importantes de la aceptación de la vacuna, incluidos los niveles de educación y la confianza en el gobierno. La ausencia de estas variables podría dar lugar a la falta de ajuste de los modelos de regresión en algunas áreas. En segundo lugar, la medición de la accesibilidad a la vacunación contra el COVID-19 sería más precisa si se dispone de los datos de las unidades móviles de vacunación. En tercer lugar, en este estudio no se considera la dinámica de la aceptación de la vacunación. La investigación futura podría construir modelos espacio-temporales para dar cuenta simultáneamente de la heterogeneidad espacial y la evolución de la aceptación de la vacunación, lo que podría informar las políticas específicas de la región y del grupo de población en diferentes etapas de la vacunación masiva.

En este estudio, utilizamos modelos de regresión ponderados geográficamente multiescala para revelar que la disparidad espacial de las tasas de aceptación de la vacunación COVID-19 en Inglaterra está fuertemente asociada con variables socioeconómicas y demográficas. Además, esta relación exhibe una considerable heterogeneidad espacial y efectos locales. En general, los grupos más jóvenes (18–29, 30–39) se asocian con tasas de vacunación más bajas que los ancianos, mientras que una mayor propiedad de automóviles o una mejor accesibilidad a los servicios de vacunación conducen a tasas de vacunación más altas. Por otro lado, se encuentra que las áreas más desfavorecidas se relacionan con una mayor tasa de vacunación que las menos desfavorecidas. Vale la pena señalar que el signo y la multitud de la relación probablemente varíen geográficamente, como la etnia 'asiática' y la edad de 50 a 59 años.

Hasta donde sabemos, ha habido una falta de modelado espacial de área pequeña de la vacunación COVID-19 en el Reino Unido. Por esta razón, este estudio cuantitativo servirá para apoyar la gestión de la salud pública en el desarrollo de políticas regionales específicas para maximizar la aceptación de la vacunación en la vacunación contra el COVID-19 en curso y otros programas de vacunación masiva.

Los datos que respaldan los hallazgos informados en este documento están disponibles abiertamente en el repositorio de https://github.com/huanfachen/Vaccine_uptake_analysis.

Criterio de información de Akaike

Enfermedad del coronavirus 2019

Método extendido de área de captación flotante de dos pasos

Regresión ponderada geográficamente

Índice Inglés de Privación Múltiple 2019

Regresión multiescala ponderada geográficamente

Áreas de supersalida de capa intermedia

Servicios Nacionales de Salud

Mínimos cuadrados ordinarios

Oficina de Estadísticas Nacionales

Máquina de enrutamiento de código abierto

Suma residual de cuadrados

Síndrome respiratorio agudo severo coronavirus-2

Reino Unido

Organización Mundial de la Salud

OMS. La OMS anuncia el brote de COVID-19 como una pandemia. 2020. Disponible en: https://www.euro.who.int/en/health-topics/health-emergencies/coronavirus-covid-19/news/news/2020/3/who-announces-covid-19-outbreak -una pandemia.

Chu DK, Akl EA, Duda S, Solo K, Yaacoub S, Schünemann HJ, et al. Distanciamiento físico, máscaras faciales y protección ocular para prevenir la transmisión de persona a persona del SARS-CoV-2 y COVID-19: una revisión sistemática y un metanálisis. Lanceta. 2020;395:1973–87.

Artículo CAS PubMed PubMed Central Google Scholar

Hsiang S, Allen D, Annan-Phan S, Bell K, Bolliger I, Chong T, et al. El efecto de las políticas anticontagio a gran escala en la pandemia de COVID-19. Naturaleza. 2020;584:262–7.

Artículo CAS PubMed Google Académico

Lewnard JA, Lo NC. Base científica y ética para las intervenciones de distanciamiento social contra el COVID-19. Lancet Infect Dis. 2020;20:631–3.

Artículo CAS PubMed PubMed Central Google Scholar

Chen T, Zhu D, Cheng T, Gao X, Chen H. Detección de zonas dinámicas de actividad humana mediante macrodatos geoetiquetados en el Gran Londres, Reino Unido, durante la pandemia de COVID-19. Más uno. 2023;18:e0277913. [citado el 9 de marzo de 2023] Disponible en: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0277913.

Sarim M, Zhao Q, Bailey N. Movilidad ciudadana y crecimiento de infecciones durante la pandemia de COVID-19 con los efectos de las restricciones gubernamentales en Europa Occidental. Springer, Cham; 2021 [citado el 9 de marzo de 2023];279–94. Disponible en: 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. Reticencia vacunal: Definición, alcance y determinantes. Vacuna. 2015;33:4161–4.

Académico de Google de PubMed

Sallam M. Vacilación de la vacuna Covid-19 en todo el mundo: una revisión sistemática concisa de las tasas de aceptación de la vacuna. Vacunas (Basilea). 2021;9:1–15.

Hassan W, Kazmi SK, Tahir MJ, Ullah I, Royan HA, Fahriani M, et al. Aceptación global y vacilación de la vacunación COVID-19: una revisión narrativa. Narra J. 2021;1:e57.

Rosiello DF, Anwar S, Yufika A, Adam RY, Ismail MIH, Ismail AY, et al. Aceptación de la vacunación contra la COVID-19 a diferentes niveles hipotéticos de eficacia y seguridad en diez países de Asia, África y América del Sur. Narra J. 2021;1:e5

Soares P, Rocha JV, Moniz M, Gama A, Laires PA, Pedro AR, et al. Factores asociados con la vacilación de la vacuna COVID-19. Vacunas (Basilea). 2021;9:300.

Benderly M, Huppert A, Novikov I, Ziv A, Kalter-Leibovici O. Luchando contra una pandemia: disparidades sociodemográficas y brechas de vacunación contra la enfermedad por coronavirus-2019: un estudio de población. Int J Epidemiol: Oxford University Press (OUP); 2022.

Agarwal R, Dugas M, Ramaprasad J, Luo J, Li G, Gao G. El privilegio socioeconómico y la ideología política están asociados con la disparidad racial en la vacunación contra el 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. Desigualdad sociodemográfica en la cobertura de vacunación COVID-19 entre adultos mayores en Inglaterra: un estudio nacional de datos vinculados. Abierto BMJ. 2021;11:e053402.

Mollalo A, Tatar M. Modelado espacial de la vacilación de la vacuna covid-19 en los Estados Unidos. Int J Environ Res Salud Pública. 2021;18:9488.

Cao Y, Stewart K, Wish E, Artigiani E, Sorg M. Determinación del acceso espacial al tratamiento del trastorno por uso de opioides y servicios médicos de emergencia en New Hampshire. J Sust Abuso Tratar a Elsevier. 2019;101:55–66.

Artículo Google Académico

Wan N, Zhan FB, Zou B, Chow E. Un enfoque de evaluación del acceso espacial relativo para analizar el acceso espacial potencial a los servicios de cáncer colorrectal en Texas. Geografía aplicada Elsevier Ltd. 2012;32:291–9.

Artículo Google Académico

Liu D, Kwan MP, Kan Z, Song Y, Li X. Desigualdad racial/étnica en la accesibilidad espacial basada en el tránsito a los sitios de vacunación contra el COVID-19. J Disparidades raciales y étnicas en salud. 2022. https://link.springer.com/article/10.1007/s40615-022-01339-x.

Kim K, Ghorbanzadeh M, Horner MW, Ozguven EE. Evaluación de disparidades en la accesibilidad espacial a los sitios de vacunación en Florida. Ana SIG. 2022;28:263–77.

Artículo Google Académico

Duffy C, Newing A, Górska J. Evaluación de la accesibilidad geográfica y la equidad de los sitios de vacunación contra la COVID-19 en Inglaterra. Vacunas 2022, Vol 10, Página 50. Instituto Multidisciplinario de Edición Digital; 2021 ;10:50. [citado el 5 de septiembre de 2022] Disponible en: https://www.mdpi.com/2076-393X/10/1/50/htm.

Ledford H, Cyranoski D, Van Noorden R. El Reino Unido aprobó una vacuna contra el COVID: esto es lo que los científicos quieren saber ahora. Naturaleza. 2020;588:205–6.

Artículo CAS PubMed Google Académico

Departamento de Salud y Atención Social del Reino Unido. Plan de entrega de vacunas COVID-19 del Reino Unido. 2021. pág. 1–47. Disponible en: https://www.gov.uk/government/publications/uk-covid-19-vaccines-delivery-plan.

ONS. Estimaciones de población para el Reino Unido, Inglaterra y Gales, Escocia e Irlanda del Norte. 2020 [citado el 13 de agosto de 2021]. Disponible en: https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/populationestimates/bulletins/annualmidyearpopulationestimates/latest#population-growth-in-england-wales-scotland-and-northern-ireland.

NHS. Archivo de vacunas COVID-19. 2021. Disponible en: https://www.england.nhs.uk/statistics/statistical-work-areas/covid-19-vaccinations/covid-19-vaccinations-archive/.

Luo W, Wang F. Medidas de accesibilidad espacial a la atención médica en un entorno SIG: Síntesis y un estudio de caso en la región de Chicago. Entorno Plann B Plann Des. 2003;30:865–84.

Artículo PubMed PubMed Central Google Académico

ONS. Disponibilidad de coche o furgoneta. Nomis. 2011. Disponible en: https://www.nomisweb.co.uk/census/2011/qs416ew.

MHCLG. National Statistics English Indices of Deprivation 2019. 2019.

Dolby T, Finning K, Baker A, Fowler-Dowd L, Khunti K, Razieh C, et al. Monitoreo de la desigualdad sociodemográfica en la aceptación de la vacunación COVID-19 en Inglaterra: un estudio nacional de datos vinculados. J Epidemiol Salud Comunitaria. 2022;76:646–52.

Departamento de Transporte del Reino Unido. Modo de viaje - GOV.UK. 2020 [citado el 13 de agosto de 2021]. Disponible en: https://www.gov.uk/government/statistical-data-sets/nts03-modal-comparisons#mode-by-region.

NHS Inglaterra. Sitios de vacunación contra el coronavirus. 2021 [citado el 23 de julio de 2021]. Disponible en: https://www.england.nhs.uk/coronavirus/publication/vaccination-sites/.

Google. API de geocodificación de Google Maps Platform. 2021 [citado el 23 de julio de 2021]. Disponible en: https://developers.google.com/maps/documentation/geocoding/start.

Caballo amarillo AJ, Yang TC, Huyser KR. Las desigualdades estructurales establecieron la arquitectura para la pandemia de COVID-19 entre los nativos americanos en Arizona: una perspectiva de regresión ponderada geográficamente. J Disparidades raciales y étnicas en salud. 2022;9:165–75.

Maiti A, Zhang Q, Sannigrahi S, Pramanik S, Chakraborti S, Cerda A, et al. Exploración de los efectos espaciotemporales de los factores impulsores en las incidencias de COVID-19 en los Estados Unidos contiguos. Sustain Cities Soc. 2021;68:102784.

Wu X, Zhang J. Exploración de los impactos variables espacio-temporales en el caso acumulativo de COVID-19 en Texas usando regresión ponderada geográficamente (GWR). Environ Sci Encuesta Res. 2021;28:43732–46.

Chen Y, Jiao J. Relación entre sociodemografía y COVID-19: un estudio de caso en tres regiones de Texas. Revista Electrónica SSRN. Elsevier BV; 2020;

Zhang J, Wu X, Edwin Chow T. Detección de grupos de espacio-tiempo y análisis de regresión ponderada geográfica de la mortalidad por COVID-19 en los condados de Texas. Int J Environ Res Salud Pública. 2021;18:5541.

Fotheringham AS, Yang W, Kang W. Regresión ponderada geográficamente multiescala (MGWR). Ann Am Assoc Geogr. Taylor y Francis Ltd.; 2017 [citado el 11 de mayo de 2020];107:1247–65. Disponible en: https://www.tandfonline.com/doi/full/10.1080/24694452.2017.1352480.

Oshan TM, Li Z, Kang W, Wolf LJ, Stewart Fotheringham A. MGWR: una implementación de python de regresión ponderada geográficamente a múltiples escalas para investigar la escala y la heterogeneidad espacial del proceso. ISPRS Int J Geoinf. 2019;8:269.

Saxon J, Koschinsky J, Acosta K, Anguiano V, Anselin L, Rey S. Un entorno de software abierto para hacer que las métricas de acceso espacial sean más accesibles. J Comput Soc Sci. 2021;5:265–84.

Luo W, Qi Y. Un método mejorado de área de captación flotante de dos pasos (E2SFCA) para medir la accesibilidad espacial a los médicos de atención primaria. Lugar de Salud. 2009;15:1100–7. Disponible en: https://doi.org/10.1016/j.healthplace.2009.06.002.

Oficina de Estadísticas Nacionales. Tasas de vacunación COVID-19 y razones de probabilidad por grupo sociodemográfico. 2021 [citado el 20 de agosto de 2021]. Disponible en: https://www.ons.gov.uk/peoplepopulationandcommunity/healthandsocialcare/healthinequalities/datasets/covid19vaccinationratesandoddsratiosbysociodemographicgroup.

Mills MC, Rahal C, Brazel D, Yan J, Gieysztor S. Despliegue de la vacuna COVID-19: comportamiento, ética, desinformación y estrategias políticas. La Academia Británica. 2020 [citado el 26 de septiembre de 2021];1–35. Disponible en: https://royalsociety.org/-/media/policy/projects/set-c/set-c-vaccine-deployment.pdf.

Cobertura de la vacuna Mutebi N. COVID-19 e intervenciones específicas para mejorar la aceptación de la vacunación - POST. 2021 [citado el 20 de agosto de 2021]. Disponible en: https://post.parliament.uk/covid-19-vaccine-coverage-and-targeted-interventions-to-improve-vaccination-uptake/.

Bambra C, Riordan R, Ford J, Matthews F. La pandemia de COVID-19 y las desigualdades en salud. J Epidemiol Salud Comunitaria. 2020;74:964–8.

Académico de Google de PubMed

Descargar referencias

Queremos agradecer todos los comentarios y sugerencias perspicaces sobre versiones anteriores de este manuscrito de revisores anónimos.

El Dr. Qunshan Zhao ha recibido el apoyo continuo de UK ESRC para el Urban Big Data Center (UBDC) [ES/L011921/1 y ES/S007105/1].

Centro de Análisis Espacial Avanzado, University College London, Londres, Reino Unido

Huanfa Chen y Lingru Feng

Departamento de Geografía, Universidad de Hong Kong, Hong Kong, China

yanjia cao

Instituto de Planificación y Diseño de Chongqing, Chongqing, China

Lingru Feng

Laboratorio Clave de Monitoreo, Evaluación y Alerta Temprana de la Implementación de la Planificación Espacial Territorial, Ministerio de Recursos Naturales, Chongqing, China

Lingru Feng

Urban Big Data Centre, Facultad de Ciencias Sociales y Políticas, Universidad de Glasgow, Glasgow, Reino Unido

Torres Qunshan Zhao y José Rafael Verduzco

Departamento de Estudios Urbanos, Universidad de Glasgow, Glasgow, Reino Unido

Torres Qunshan Zhao y José Rafael Verduzco

También puede buscar este autor en PubMed Google Scholar

HC: conceptualización, metodología, redacción—borrador original, Supervisión. YC: conceptualización, revisión de literatura, validación, redacción, revisión y edición. LF: curación de datos, software, análisis de datos, redacción, revisión y edición. QZ: conceptualización, metodología, validación, redacción – revisión y edición. JRVT: software, análisis de datos, redacción, revisión y edición. Todos los autores han leido y aprobado el manuscrito.

Correspondencia a Huanfa Chen.

Esta investigación se basa en datos abiertos, por lo que no hay problemas éticos con esta investigación.

No aplica.

Los autores informan que no hay intereses contrapuestos que declarar.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Archivo adicional 1.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/. La renuncia de Creative Commons Public Domain Dedication (http://creativecommons.org/publicdomain/zero/1.0/) se aplica a los datos disponibles en este artículo, a menos que se indique lo contrario en una línea de crédito a los datos.

Reimpresiones y permisos

Chen, H., Cao, Y., Feng, L. et al. Comprensión de la heterogeneidad espacial de la aceptación de la vacunación COVID-19 en Inglaterra. BMC Salud Pública 23, 895 (2023). https://doi.org/10.1186/s12889-023-15801-w

Descargar cita

Recibido: 03 noviembre 2022

Aceptado: 02 mayo 2023

Publicado: 16 mayo 2023

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

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt