Verständnis der räumlichen Heterogenität von COVID

BMC Public Health Band 23, Artikelnummer: 895 (2023) Diesen Artikel zitieren

719 Zugriffe

7 Altmetrisch

Details zu den Metriken

Massenimpfungen waren eine Schlüsselstrategie zur wirksamen Eindämmung der globalen COVID-19-Pandemie, die viele Länder vor beispiellose soziale und wirtschaftliche Herausforderungen stellte. Allerdings schwanken die Impfraten je nach Raum und sozioökonomischen Faktoren und hängen wahrscheinlich von der Zugänglichkeit zu Impfdiensten ab, die in der Literatur wenig erforscht ist. Ziel dieser Studie ist es, den räumlich heterogenen Zusammenhang zwischen COVID-19-Impfraten und sozioökonomischen Faktoren in England empirisch zu identifizieren.

Wir haben bis zum 18. November 2021 den Anteil der über 18-jährigen, vollständig geimpften Personen auf Kleingebietsebene in ganz England untersucht. Wir haben die geografisch gewichtete Regression (MGWR) mit mehreren Maßstäben verwendet, um die räumlich heterogene Beziehung zwischen Impfraten und sozioökonomischen Determinanten zu modellieren ethnische, altersbezogene, wirtschaftliche und Zugänglichkeitsfaktoren.

Diese Studie zeigt, dass das ausgewählte MGWR-Modell 83,2 % der Gesamtvarianz der Impfraten erklären kann. Zu den Variablen, die in den meisten Gebieten einen positiven Zusammenhang mit den Impfraten aufweisen, gehören der Anteil der Bevölkerung über 40, der Besitz eines Autos, das durchschnittliche Haushaltseinkommen und die räumliche Erreichbarkeit von Impfungen. Im Gegensatz dazu sind Bevölkerungsgruppen unter 40 Jahren, weniger benachteiligte Bevölkerungsgruppen sowie schwarze oder gemischte ethnische Zugehörigkeit negativ mit den Impfraten verbunden.

Unsere Ergebnisse zeigen, wie wichtig es ist, die räumliche Zugänglichkeit von Impfungen in Entwicklungsregionen und bei bestimmten Bevölkerungsgruppen zu verbessern, um die Impfung gegen COVID-19 zu fördern.

Peer-Review-Berichte

Die Coronavirus-Krankheit 2019 (COVID-19), verursacht durch das schwere akute respiratorische Syndrom Coronavirus-2 (SARS-CoV-2), ist eine globale Pandemie, die beispiellose gesundheitliche, soziale und wirtschaftliche Herausforderungen mit sich bringt [1]. Bis November 2021 wurden weltweit etwa 0,2 Milliarden COVID-19-Fälle bestätigt; Allein im Vereinigten Königreich erkrankten über 9 Millionen Menschen daran, 140.000 starben. Um SARS-COV-2-Infektionen und -Übertragungen zu minimieren, haben Gesundheitsbehörden soziale Distanzierung als primäre nicht-pharmazeutische Kontrollstrategie eingeführt, bis Massenimpfungen verfügbar sind [2,3,4,5,6].

Schon vor der COVID-19-Pandemie war die Impfskepsis eine der größten Bedrohungen für die globale Gesundheit. Die Weltgesundheitsorganisation (WHO) definiert Impfskepsis offiziell als „Verzögerung bei der Annahme oder Ablehnung eines Impfstoffs trotz der Verfügbarkeit von Impfdiensten“ [7]. Empirische Untersuchungen haben ergeben, dass die Akzeptanzraten der COVID-19-Impfstoffe in den meisten Ländern recht niedrig sind. Die niedrigsten Akzeptanzraten wurden in Kuwait, Jordanien, Italien und Russland gemeldet [8]. Die Akzeptanzrate von COVID-19-Impfstoffen unterscheidet sich nicht nur von Land zu Land, sondern auch innerhalb eines Landes. Studien zeigen, dass die Akzeptanzrate von COVID-19-Impfstoffen mit soziodemografischen Faktoren zusammenhängt [9, 10], darunter unter anderem Rasse, Alter, Bildungsniveau und Vertrauen in die Regierung. Um der Zurückhaltung bei der Impfung gegen COVID-19 entgegenzuwirken, ist es unerlässlich, die räumlichen Muster der Impfraten und die Rolle sozioökonomischer Determinanten auf die Impfraten zu verstehen.

Bestehende Studien haben das sozioökonomische Umfeld und die räumlichen Muster der COVID-19-Impfraten in verschiedenen Ländern untersucht und dabei den signifikanten Zusammenhang zwischen sozioökonomischen Determinanten und Impfraten aufgezeigt. Soares et al. [11] identifizierten mehrere wichtige sozioökonomische Faktoren, die einen negativen Zusammenhang mit den COVID-19-Impfraten in Portugal hatten, darunter jüngeres Alter, Einkommensverlust und die fehlende Absicht, sich gegen Grippe impfen zu lassen. Benderly et al. [12] fanden heraus, dass ein höheres Alter und ein höherer sozioökonomischer Status positiv mit den Impfraten in Israel verbunden waren. Agarwal et al. [13] berichteten, dass Rassenunterschiede auf Bundesstaatsebene bei COVID-19-Impfungen in den Vereinigten Staaten mit dem Durchschnittseinkommen, der Ungleichheit in der High-School-Bildung und der politischen Ideologie zusammenhängen. Nafilyan et al. [14] stellten fest, dass sich die Impfraten bei älteren Erwachsenen in England aufgrund einer Reihe sozioökonomischer Merkmale (z. B. ethnische Zugehörigkeit, religiöse Gruppen) erheblich unterschieden. In diesen Studien wurde jedoch nur ein linearer Zusammenhang erfasst. Die räumliche Heterogenität im gesamten Untersuchungsgebiet wurde in der Literatur kaum diskutiert. Eine nationale US-Studie von Mollalo & Tatar [15], die auf Kreisebene vorgestellt wurde, um den räumlichen Zusammenhang zwischen sozioökonomischen Merkmalen und COVID-19-Impfraten zu untersuchen. Die Messung der räumlichen Erreichbarkeit wurde in vielen Bereichen des öffentlichen Gesundheitswesens angewendet, beispielsweise im Rettungsdienst und in der Grundversorgung [16, 17]. Mehrere Studien in den USA haben kurz die räumliche Zugänglichkeit zu COVID-19-Impfstellen im Hinblick auf Unterschiede in Rasse/Ethnizität und Altersgruppen erörtert [18, 19]. Eine Studie in England bewertete die COVID-19-Abdeckung anhand der durchschnittlichen Reisezeit aus jedem Stadtteil [20]. Allerdings wurde die quantitative Messung der räumlichen Erreichbarkeit nie als ein Faktor berücksichtigt, der mit den tatsächlichen Impfstoffaufnahmeraten zusammenhängt. Darüber hinaus mangelt es noch an raumbezogenen Untersuchungen zur Verbreitung von COVID-19-Impfungen im Vereinigten Königreich (UK). Um ein umfassendes Bild der COVID-19-Impfung zu erhalten, sind weitere Untersuchungen erforderlich, die umfangreiche Datensätze aus mehreren Quellen integrieren.

Die COVID-19-Impfstoffe werden seit Beginn der Pandemie im Vereinigten Königreich in großem Umfang eingesetzt. Im Dezember 2020 erteilten die britischen Aufsichtsbehörden eine Notfallgenehmigung für COVID-19-Impfstoffe von Pfizer und BioNTech und später von AstraZeneca [21]. Im COVID-19-Impfstofflieferplan [22] heißt es: „Wir wussten immer, dass Impfstoffe unser bester Weg aus dieser Pandemie und hin zu einer normaleren Lebensweise sein würden.“ Um den Erfolg des Impfplans zu maximieren, ist es wichtig, „einen sicheren und einfachen Zugang für die gesamte Bevölkerung“ [22] zum Impfstoff zu gewährleisten, wozu auch die räumliche Zugänglichkeit (d. h. die einfache Anreise zu den Impfstellen) gehört. Wie bereits erwähnt Es besteht ein erheblicher Mangel an raumbezogener Forschung zur Zugänglichkeit und Verbreitung von Impfungen gegen COVID-19 im Vereinigten Königreich. In dieser Studie zeigen wir die räumliche Heterogenität der Verbreitung von Impfungen gegen COVID-19 und ihre Beziehung zu sozioökonomischen Variablen in England auf.

Diese Studie leistet auf folgende Weise Beiträge zur Literatur und Politik: Erstens präsentiert sie das erste räumliche Modell der COVID-19-Impfraten auf der Ebene der Middle Layer Super Output Areas (MSOA) in England. Zweitens betrachtet diese Studie in einem bahnbrechenden Schritt die Rolle der räumlichen Erreichbarkeit von Impfstellen als einen Faktor, der die Impfraten in Verbindung mit einer Reihe sozioökonomischer Variablen beeinflusst. Drittens können die Ergebnisse politischen Entscheidungsträgern im Bereich der öffentlichen Gesundheit helfen, maßgeschneiderte Strategien zu entwickeln, um die Akzeptanz von COVID-19-Impfstoffen zu erhöhen und die lokale Impfpolitik anzupassen.

Abbildung 1 zeigt die Karte von England mit der Grenze von neun Regionen und Kommunalbezirken. Im Jahr 2020 hat England eine Bevölkerung von 56,3 Millionen, was 84 % der britischen Bevölkerung ausmacht [23]. England wurde aufgrund seiner verschiedenen öffentlich verfügbaren Daten zu Impfstellen und Impfraten sowie sozioökonomischen Variablen als Untersuchungsgebiet ausgewählt.

Karte von England mit der Grenze von neun Regionen (durch verschiedene Farben markiert) und Kommunalbezirken

Wir haben die wöchentliche Anzahl der Impfungen auf MSOA-Ebene nach Altersgruppen in England vom National Health Services (NHS) England [24] erhoben, die am 8. Dezember 2020 begann. Gemäß dem Impfstofflieferplan [22] hat der NHS hohe Prioritäten gesetzt -Risikobewohner (einschließlich ältere Menschen) und schrittweise Bereitstellung von Impfstoffen für verschiedene Altersgruppen. In dieser Studie ist die abhängige Variable die kumulative Zweitimpfungsrate bei der Bevölkerung über 18 Jahren zum 18. November 2021, da dieses Datum nahe an dem Datum lag, an dem die Daten der Impfstelle abgerufen wurden.

Als räumliche Analyseeinheit haben wir den MSOA aus der britischen Volkszählung 2011 verwendet. Dabei handelt es sich um ein geografisches Gebiet, das die Berichterstattung über Kleingebietsstatistiken in England und Wales verbessern soll. Per Definition hat jedes MSOA eine durchschnittliche Bevölkerung von 7.500 Einwohnern oder 4.000 Haushalten. England ist in 6.791 MSOAs unterteilt.

Die neuesten demografischen Informationen auf MSOA-Ebene für England sind die Wohnbevölkerungsdaten aus Halbjahresschätzungen 2019 [23], die die geschätzte Bevölkerungsgröße nach Altersgruppe und Geschlecht umfassen. MSOAs werden durch bevölkerungsgewichtete Schwerpunkte dargestellt, die auf Volkszählungsdaten von 2011 basieren, was mit der Darstellung der Nachfrageeinheiten in der Zugänglichkeitsstudie von Luo und Wang übereinstimmt [25]. Diese Studie verwendet den Bevölkerungsanteil verschiedener Altersgruppen und ethnischer Zugehörigkeit aus diesen demografischen Daten (siehe Tabelle 1).

Der Autobesitz (also der Anteil der Haushalte, die über mindestens ein Auto oder einen Transporter verfügen) wird als Maß für die Verkehrserreichbarkeit vor Ort herangezogen [26]. Diese Variable wird als Autobesitz einbezogen, da die Verkehrsanbindung vor Ort einen erheblichen Zusammenhang mit der Impfrate aufweisen könnte, insbesondere in ländlichen Gebieten, in denen öffentliche Verkehrsmittel nicht beliebt sind.

Wir verwendeten den 2019 English Index of Multiple Deprivation (IMD) [27] als Maß für die relative Deprivation in kleinen Gebieten. Der IMD wurde ursprünglich für Super Output Areas der unteren Schicht in England berechnet und dann auf die MSOA-Ebene aggregiert. Das Office for National Statistics (ONS) empfahl die Verwendung der Ränge und Dezile des IMD anstelle der Ergebnisse, da die Ergebnisse weniger einfach zu interpretieren waren. Somit wird der IMD durch eine ganzzahlige Variable mit Werten zwischen eins (am stärksten benachteiligt) und fünf (am wenigsten benachteiligt) dargestellt, die dem Quintil des IMD entsprechen. Die Verwendung des IMD-Quintils steht im Einklang mit einem aktuellen Bericht über die COVID-19-Impfung von ONS [28].

Die Reisedauer zwischen jedem Paar von MSOA-Schwerpunkten und Impfstellen ist für die Berechnung der räumlichen Zugänglichkeit für Impfungen erforderlich. Da sich die Regionen hinsichtlich der Reisemodi erheblich unterscheiden, haben wir die gewichtete mittlere Reisedauer verwendet, die Auto und öffentliche Verkehrsmittel kombiniert, wobei wir als Gewichtung den Reisemodusanteil auf regionaler Ebene verwendet haben. Der Anteil des Autofahrens und des öffentlichen Verkehrs in neun Regionen wurde aus [29] abgeleitet. Einzelheiten zur Berechnung der gewichteten durchschnittlichen Reisedauer finden Sie in der Zusatzdatei 1: Anhang 1.

Die Adressen öffentlich zugänglicher SARS-CoV-2-Impfstellen (N = 2.868) in England wurden bis zum 17. November 2021 vom NHS England [30] abgerufen. Da die Impfstoffversorgung an jeder Stelle nicht verfügbar ist, gehen wir von einem gleichen und gleichen Wert aus unbegrenzte Impfstoffversorgung an allen Standorten. Diese Standorte lassen sich in drei Typen einteilen: Impfzentren (N = 108), Krankenhauszentren (N = 230) und lokale Impfdienste (N = 2530). Zu den örtlichen Impfdiensten zählen Apotheken und hausärztlich geführte Impfdienste. Obwohl mobile Einheiten als eine andere Art von Impfdiensten im Einsatz waren, sind die Standorte dieser Einheiten nicht öffentlich zugänglich und wurden daher hier nicht berücksichtigt. Die ursprünglichen Daten der Impfstelle enthalten Adresse und Postleitzahl (z. B. „Airedale Hospital NHS FT, Skipton Road, Keighley, West Yorkshire, BD20 6TD“), die mithilfe der Geocoding-API von Google in WGS-84-Koordinaten (Längengrad, Breitengrad) geokodiert wurden Kartenplattform [31]. Die Zugänglichkeit zu Impfstellen wurde anhand des erweiterten zweistufigen schwimmenden Einzugsgebiets berechnet, das im Abschnitt „Analysen“ angegeben ist. Zusammenfassend sind die unabhängigen Variablen in Tabelle 1 zusammengefasst und werden in der folgenden Analyse verwendet.

In den folgenden Abschnitten wird der Zusammenhang zwischen den Impfraten gegen COVID-19 und einer Reihe sozioökonomischer Variablen anhand von drei verschiedenen Methoden untersucht. Diese Modelle umfassen eine gewöhnliche Methode der kleinsten Quadrate (OLS) als Basis, eine geografisch gewichtete Regression (GWR) und eine mehrskalige GWR (MGWR). Wir werden diese Modelle kalibrieren und ihre Genauigkeit bei der Erklärung der Varianz der COVID-19-Impfraten in England bewerten.

Die OLS-Methode passt ein globales lineares Modell zwischen den abhängigen und unabhängigen Variablen an. Wenn diese Methode in der räumlichen Analyse angewendet wird, ist sie einschränkend, da sie davon ausgeht, dass die Beziehung zwischen abhängigen und unabhängigen Variablen räumlich homogen ist, was nicht in jedem räumlichen Kontext zutrifft. Um diese Annahme zu lockern, bietet das GWR eine alternative Methode zur Untersuchung der räumlichen Variationen in lokalen Parameterschätzungen. Weitere Einzelheiten zu GWR finden Sie in der Zusatzdatei 1: Anhang 2. Nach unserem Kenntnisstand wurde GWR in mehreren Forschungsstudien verwendet, um den Grad zu beschreiben, in dem sozioökonomische Faktoren mit der COVID-19-Morbidität verbunden sind [32,33,34 ,35] und Mortalität [36] sowie COVID-19-Impfraten [15].

Um die GWR-Nachteile zu überwinden, haben Fotheringham et al. [37] schlugen eine Erweiterung der GWR-Methode, MGWR, vor, die für jede unabhängige Variable separate optimale Bandbreiten berechnet. Diese Methode verbessert das gewöhnliche GWR in zweierlei Hinsicht: Erstens lockert sie die Annahme, dass alle unabhängigen Variablen die Antwortvariable innerhalb derselben räumlichen Skala beeinflussen; Zweitens wird das lokale Multikollinearitätsproblem gemildert, indem die Überanpassung von GWR minimiert und zuverlässigere Parameterschätzungen erzielt werden.

Die abhängigen und unabhängigen Variablen wurden vor der Verwendung für die Modellierung in einen standardisierten Z-Score (mit einem Mittelwert von Null und einer Einheitsstandardabweichung) umgewandelt. Die Datenstandardisierung dient zwei Zwecken: Erstens ermöglicht sie skalierungsfreie Bandbreiten, die über Variablen hinweg vergleichbar sind; Zweitens reduziert es die Rechenkomplexität von GWR und MGWR. Für den Aufbau und die Evaluierung der drei Modelle haben wir das Python-Paket mgwr [38] verwendet.

Wir haben die Leistung von Modellen anhand einer Kombination von Kriterien bewertet: Angepasstes R2 (Adj. R2), Akaike Information Criterion (AIC), Residual Sum of Square (RSS), Log Likelihood und Morans I. Ein größeres angepasstes R2 ist wünschenswert, da Dies deutet darauf hin, dass das Modell eine größere Varianz der Impfstoffaufnahmeraten erklären kann. Andererseits wird ein kleinerer AIC oder ein kleinerer RSS bevorzugt. Ein kleinerer AIC impliziert ein sparsameres Modell und ein kleinerer RSS impliziert, dass das Modell eine größere Varianz der Impfstoffaufnahmeraten erklärt (ähnlich einem größeren angepassten R2). Darüber hinaus bedeutet eine größere Log-Likelihood, dass das Modell angesichts der Datenverteilung wahrscheinlicher wahr ist. Darüber hinaus wird die Moran-I-Statistik verwendet, um zu testen, ob die Residuen des Modells räumlich autokorreliert sind.

Die Zugänglichkeit von Impfstellen auf MSOA-Ebene wurde mithilfe der Extended Two-step Floating Catchment Area Method (E2SFCA) über die Python-Bibliothek „access“ berechnet [39]. Weitere Einzelheiten zu E2SFCA finden Sie in der Zusatzdatei 1: Anhang 3 [40].

Das endgültige OLS-Modell wurde auf der Grundlage von 14 Variablen erstellt, nachdem zwei Variablen manuell entfernt wurden, um das Multikollinearitätsproblem zu reduzieren. Wie in Tabelle 2 gezeigt, waren die VIF-Werte für alle ausgewählten Variablen kleiner als 10, was darauf hinweist, dass die Multikollinearität nicht schwerwiegend ist. Die OLS-Residuen waren räumlich stark gehäuft, da die Ergebnisse des Moran-I-Tests zeigen, dass Morans I = 0,203, Z-Score = 27,109 und p-Wert < 0,01 (Tabelle 3). Die autokorrelierten Residuen in OLS verletzen die Annahme der Fehlerunabhängigkeit des OLS-Modells. Daher sollten die geschätzten Koeffizienten mit Vorsicht interpretiert werden.

Im Vergleich zu OLS erzielen sowohl GWR als auch MGWR bessere Anpassungen mit verbessertem angepasstem R2, und die lokalen Modelle können 84 % (von GWR) bzw. 83 % (von MGWR) der Varianz der COVID-19-Impfraten erklären. In Bezug auf AIC ist der MGWR sparsamer als OLS und GWR. Andererseits erreicht GWR die niedrigste Restquadratsumme (RSS), gefolgt von MGWR und OLS. Was die räumliche Verteilung der Residuen betrifft, erzeugen sowohl OLS als auch GWR ein räumlich geclustertes Muster von Residuen, das statistisch signifikant ist (p < 0,05), während MGWR eine zufällige Verteilung von Residuen erzeugt (p > 0,05). Dies weist darauf hin, dass MGWR die räumliche Autokorrelation oder Häufung von Restwerten der COVID-19-Impfraten wirksam abschwächt.

Die von GWR und MGWR ausgewählten Bandbreiten sind in Tabelle 4 und Tabelle 5 dargestellt. Das GWR-Modell erhält eine universelle Bandbreite von 195 (im Vergleich zu insgesamt 6786 MSOAs in dieser Studie). Im Gegensatz dazu variieren die vom MGWR-Modell ausgewählten Bandbreiten je nach Variable. Insbesondere sind die Bandbreiten von Intercept, AGE18_29 und AGE50_59 kleiner als die GWR-Bandbreite, was darauf hindeutet, dass der Einfluss dieser Variablen auf die Impfraten erheblich lokalisiert ist. Andererseits liegen die Bandbreiten mehrerer Variablen nahe an der Anzahl räumlicher Einheiten, darunter BLACK, INCOME, CAR und ACCESS. Das bedeutet, dass der Zusammenhang zwischen diesen Variablen und den Impfraten auf globaler Ebene besteht. In der folgenden Diskussion konzentrieren wir uns auf das MGWR-Modell.

In diesem Abschnitt präsentieren und diskutieren wir die ausgewählten MGWR-Modellergebnisse, indem wir die Parameterschätzungen visualisieren, die einen statistisch signifikanten Zusammenhang mit den COVID-19-Impfraten haben. Wir konzentrieren uns auf die Interpretation des MGWR-Modells, da es sparsamer als OLS und GWR ist und zu zufällig verteilten Residuen führt.

Bezüglich der ethnischen Zugehörigkeit wurde die Weiße (%) aus dem Modell ausgeschlossen, um die Multikollinearität zwischen Variablen abzuschwächen. Daher ist die in Abb. 2 dargestellte Parameterschätzung der Unterschied des Einflusses zwischen der gegebenen ethnischen Zugehörigkeit und Weiß. Insgesamt ist die gemischte und schwarze ethnische Zugehörigkeit im Vergleich zur weißen Gruppe landesweit mit einer niedrigeren Impfrate verbunden. Es wurde festgestellt, dass die „andere“ ethnische Zugehörigkeit die Impfraten in Mittel- und Südengland senkt, während dieser Zusammenhang im 95-Prozent-Intervall im größten Teil Nordenglands unbedeutend ist. Andererseits hat die asiatische Ethnizität einen negativen Zusammenhang mit den Impfraten in Yorkshire und Humber sowie Teilen des Nordwestens, weist jedoch einen positiven Zusammenhang mit den Impfraten im Osten und Süden Englands auf.

MGWR-Parameterschätzungen für die ethnischen Anteile. Die graue Farbe bezieht sich auf die statistische Nichtsignifikanz im 95-%-Intervall. Die ethnische Zugehörigkeit Schwarzer, Gemischter und Schwarzer ist landesweit mit einer niedrigeren Impfrate verbunden als die weiße Gruppe. Es wurde festgestellt, dass die „andere“ ethnische Zugehörigkeit die Impfraten in Mittel- und Südengland senkt, während dieser Zusammenhang im größten Teil Nordenglands unbedeutend ist. Die asiatische Ethnizität wird mit einer niedrigeren Impfrate im Nordosten Englands, aber mit einer höheren Impfrate in Mittel- und Südengland in Verbindung gebracht

Unsere Erkenntnisse darüber, wie ethnische Zugehörigkeit mit Impfungen zusammenhängt, stimmen weitgehend mit den gemeldeten Impfraten (vom 8. Dezember 2020 bis 15. Mai 2021) nach soziodemografischen Gruppen bei Menschen über 40 in England überein [41], obwohl die ethnischen Klassifizierungen etwas unterschiedlich sind. In diesem Bericht wurde insbesondere darauf hingewiesen, dass die „weißen Briten“ die höchste Impfrate hatten, gefolgt von „Bangladeschern“, „Schwarzafrikanern“, „Schwarzen aus der Karibik“, „Chinesen“, „Indern“, „Gemischten“, „Anderen“ usw. „Pakistanisch“ und „Weiße Andere“. Abbildung 2 zeigt, dass die meisten Parameterschätzungen für „Schwarze“, „Gemischte“ und „Andere“ negativ sind, wenn diese Variablen statistisch signifikant sind, was bedeutet, dass sie im Vergleich zu Weißen mit niedrigeren Impfraten verbunden sind. Die „asiatische“ Gruppe weist einen räumlich heterogenen Zusammenhang mit den Impfraten auf und zeigt einen negativen Zusammenhang im Nordosten und einen positiven Zusammenhang in Mittel- und Südengland. Diese Ergebnisse (außer bei Asiaten) stimmen mit dem oben genannten ONS-Bericht überein, der feststellt, dass die Impfraten ethnischer Minderheiten niedriger sind als bei Weißen. Dies kann auf Vertrauensprobleme der ethnischen Minderheiten in die Regierung oder das Gesundheitssystem zurückgeführt werden [42]. Darüber hinaus zeigt der ONS-Bericht nur die Impfwahrscheinlichkeit für jede ethnische Zugehörigkeit auf, diese Studie zeigt jedoch die nuancierte räumliche Heterogenität der Parameter (z. B. Asiaten und andere). Diese Ergebnisse würden die lokalen Maßnahmen zur Priorisierung der ethnischen Gruppen mit geringerer Impfneigung erleichtern.

Die Parameterschätzungen der Altersgruppen sind in Abb. 3 dargestellt. Beachten Sie, dass die Gruppe der 30–39-Jährigen aus dem MGWR-Modell ausgeschlossen wurde und daher die Interpretation der Parameterschätzungen im Vergleich zum Alter 30–39 erfolgt. Im Vergleich zu den 30- bis 39-Jährigen ist das Alter zwischen 18 und 29 Jahren in mehreren Teilen Englands mit einer niedrigeren Impfrate verbunden, was bedeutet, dass junge Menschen weniger wahrscheinlich geimpft werden als die Gruppe der 30- bis 39-Jährigen. Im Gegensatz dazu weisen die Seniorengruppen (40–49, 50–59, 60–69, 70–79 und über 80 Jahre) einen positiven Zusammenhang mit den Impfraten auf, insbesondere in Mittel- und Nordengland. Die Ergebnisse deuten darauf hin, dass die Wahrscheinlichkeit einer Impfung bei älteren Menschen höher ist, was weitgehend mit der ONS-Studie [41] übereinstimmt, in der festgestellt wurde, dass ältere Menschen eine höhere Wahrscheinlichkeit haben, die erste Dosis der COVID-19-Impfung zu erhalten.

MGWR-Parameterschätzungen für die Altersgruppenvariablen. Die graue Farbe bezieht sich auf die statistische Nichtsignifikanz im 95-%-Intervall. Im Vergleich zum Alter von 30–39 Jahren (der Referenzalterskategorie) ist das Alter von 18–29 Jahren in mehreren Teilen Englands mit einer niedrigeren Impfrate verbunden, was bedeutet, dass junge Menschen weniger wahrscheinlich geimpft werden als die Gruppe der 30–39-Jährigen. Die Seniorengruppen (40–49, 50–59, 60–69, 70–79 und über 80) weisen einen positiven Zusammenhang mit den Impfraten auf, insbesondere in Mittel- und Nordengland

Die Parameterschätzungen der Wirtschafts-, Erreichbarkeits- und Benachteiligungsvariablen sind in Abb. 4 dargestellt. Wie gezeigt, haben sowohl der Autobesitz der Haushalte als auch das durchschnittliche Haushaltseinkommen einen starken und positiven Zusammenhang mit den Impfraten in den meisten Stadtvierteln, was darauf hindeutet, dass Menschen mit besseren Privatsphären ausgestattet sind Mobilität im öffentlichen Verkehr oder höhere Einkommen lassen sich eher impfen. Dies steht im Einklang mit dem Bericht des britischen Parlaments [43], der darauf hinweist, dass die Zugänglichkeit des Transports zu Impfstoffeinrichtungen eines der Hindernisse für die Zugänglichkeit von Impfstoffen darstellt.

MGWR-Parameterschätzungen für verschiedene Variablen. Die graue Farbe bezieht sich auf die statistische Nichtsignifikanz im 95-%-Intervall. Sowohl der Autobesitz der Haushalte als auch das durchschnittliche Haushaltseinkommen stehen in einem starken und positiven Zusammenhang mit den Impfraten in den meisten Stadtteilen, was darauf hindeutet, dass Menschen mit besserer Mobilität im Individualverkehr oder höherem Einkommen eher dazu neigen, sich impfen zu lassen. Die Messung der Zugänglichkeit zu Impfdiensten zeigt einen positiven Zusammenhang mit den Impfraten, wenn auch auf einem weniger intensiven Niveau. IMD-Quintile (das erste Quintil, das am stärksten benachteiligt ist) weisen in fast der Hälfte der MSOAs einen negativen Zusammenhang mit den Impfraten auf, was darauf hindeutet, dass die Impfraten umso niedriger sind, je weniger benachteiligt sie sind

Die Messung der Zugänglichkeit zu Impfdiensten zeigt einen positiven Zusammenhang mit den Impfraten, wenn auch auf einem weniger intensiven Niveau. Dieser Befund bestätigt, wie wichtig es ist, den Zugang zu Impfdiensten zu verbessern [22]. Im Gegensatz dazu weisen IMD-Quintile (das erste Quintil, das am stärksten benachteiligt ist) in fast der Hälfte der MSOAs einen negativen Zusammenhang mit den Impfraten auf, was darauf hindeutet, dass die Impfraten umso niedriger sind, je weniger benachteiligt sie sind [42]. In stärker benachteiligten Gebieten sind die meisten zugrunde liegenden klinischen Risikofaktoren, die den Schweregrad und die Mortalität von COVID-19 erhöhen, höher und die Wahrscheinlichkeit einer Impfung ist daher höher [44]. Dieser Befund steht jedoch im Gegensatz zum ONS-Bericht [41], der feststellt, dass für die Personen im ONS Public Health Data Asset-Datensatz die Wahrscheinlichkeit, sich impfen zu lassen, umso höher ist, je weniger benachteiligt sie sind. Die mögliche Erklärung für diesen Unterschied ist die unterschiedliche Datenquelle und der unterschiedliche Umfang: Während sich diese Studie auf die Impfstoffaufnahmerate auf MSOA-Ebene konzentriert, verwendet der ONS-Bericht individuelle Daten für die Analyse.

Diese Studie weist mehrere Einschränkungen auf, die zu potenziellen Verzerrungen in der aktuellen Forschung geführt haben und Möglichkeiten für zukünftige Forschungen eröffnen. Erstens wurden andere wichtige Determinanten der Impfakzeptanz, einschließlich des Bildungsniveaus und des Vertrauens in die Regierung, in dieser Analyse nicht bewertet. Das Fehlen dieser Variablen könnte in einigen Bereichen zu einer unzureichenden Anpassung der Regressionsmodelle führen. Zweitens wäre die Messung der Zugänglichkeit zur COVID-19-Impfung genauer, wenn die Daten der mobilen Einheiten zur Impfung verfügbar wären. Drittens wird die Dynamik der Impfakzeptanz in dieser Studie nicht berücksichtigt. Zukünftige Forschungen könnten räumlich-zeitliche Modelle erstellen, um gleichzeitig die räumliche Heterogenität und Entwicklung der Impfaufnahme zu berücksichtigen, die regional- und bevölkerungsgruppenspezifische Richtlinien in verschiedenen Phasen der Massenimpfung beeinflussen könnten.

In dieser Studie haben wir geografisch gewichtete Regressionsmodelle mit mehreren Maßstäben verwendet, um zu zeigen, dass die räumliche Ungleichheit der COVID-19-Impfraten in England stark mit sozioökonomischen und demografischen Variablen zusammenhängt. Darüber hinaus weist dieser Zusammenhang erhebliche räumliche Heterogenität und lokale Effekte auf. Insgesamt sind die jüngeren Gruppen (18–29, 30–39) mit niedrigeren Impfraten verbunden als die älteren, während ein höherer Autobesitz oder eine bessere Zugänglichkeit zu Impfdiensten zu höheren Impfraten führen. Andererseits wurde festgestellt, dass die stärker benachteiligten Gebiete mit einer höheren Impfrate verbunden sind als die weniger benachteiligten. Es ist erwähnenswert, dass das Zeichen und die Häufigkeit der Beziehung wahrscheinlich geografisch variieren, beispielsweise hinsichtlich der „asiatischen“ ethnischen Zugehörigkeit und des Alters zwischen 50 und 59 Jahren.

Nach unserem besten Wissen mangelt es im Vereinigten Königreich an einer kleinräumigen räumlichen Modellierung der COVID-19-Impfung. Aus diesem Grund wird diese quantitative Studie dazu dienen, das öffentliche Gesundheitsmanagement bei der Entwicklung regionalspezifischer Richtlinien zur Maximierung der Impfaufnahme im Rahmen der laufenden COVID-19-Impfung und anderer Massenimpfprogramme zu unterstützen.

Die Daten, die die in diesem Dokument berichteten Ergebnisse stützen, sind im Repository von https://github.com/huanfachen/Vaccine_uptake_analysis offen verfügbar.

Akaike-Informationskriterium

Coronavirus Krankheit 2019

Erweiterte zweistufige Floating-Einzugsgebietsmethode

Geografisch gewichtete Regression

Englischer Index der Mehrfachbenachteiligung 2019

Mehrskalige geografisch gewichtete Regression

Super-Ausgabebereiche der mittleren Ebene

Nationale Gesundheitsdienste

Gewöhnliche kleinste Quadrate

Amt für nationale Statistik

Open-Source-Routing-Maschine

Restquadratsumme

Schweres akutes respiratorisches Syndrom Coronavirus-2

Großbritannien

Weltgesundheitsorganisation

WER. Die WHO erklärt den Ausbruch von COVID-19 als Pandemie. 2020. Verfügbar unter: https://www.euro.who.int/en/health-topics/health-emergencies/coronavirus-covid-19/news/news/2020/3/who-announces-covid-19-outbreak -eine Pandemie.

Chu DK, Akl EA, Duda S, Solo K, Yaacoub S, Schünemann HJ, et al. Abstandhalten, Gesichtsmasken und Augenschutz zur Verhinderung der Übertragung von SARS-CoV-2 und COVID-19 von Mensch zu Mensch: eine systematische Überprüfung und Metaanalyse. Lanzette. 2020;395:1973–87.

Artikel CAS PubMed PubMed Central Google Scholar

Hsiang S, Allen D, Annan-Phan S, Bell K, Bolliger I, Chong T, et al. Die Auswirkungen groß angelegter Antiansteckungsmaßnahmen auf die COVID-19-Pandemie. Natur. 2020;584:262–7.

Artikel CAS PubMed Google Scholar

Lewnard JA, Lo NC. Wissenschaftliche und ethische Grundlage für soziale Distanzierungsmaßnahmen gegen COVID-19. Lancet Infect Dis. 2020;20:631–3.

Artikel CAS PubMed PubMed Central Google Scholar

Chen T, Zhu D, Cheng T, Gao Plus eins. 2023;18:e0277913. [zitiert am 9. März 2023] Verfügbar unter: https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0277913.

Sarim M, Zhao Q, Bailey N. Bürgermobilität und das Wachstum von Infektionen während der COVID-19-Pandemie mit den Auswirkungen staatlicher Beschränkungen in Westeuropa. Springer, Cham; 2021 [zitiert am 9. März 2023];279–94. Verfügbar unter: 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. Impfskepsis: Definition, Umfang und Determinanten. Impfstoff. 2015;33:4161–4.

PubMed Google Scholar

Sallam M. Covid-19-Impfzögerlichkeit weltweit: Eine prägnante systematische Überprüfung der Impfstoffakzeptanzraten. Impfstoffe (Basel). 2021;9:1–15.

Hassan W, Kazmi SK, Tahir MJ, Ullah I, Royan HA, Fahriani M, et al. Globale Akzeptanz und Zurückhaltung gegenüber der COVID-19-Impfung: Ein narrativer Rückblick. Narra J. 2021;1:e57.

Rosiello DF, Anwar S, Yufika A, Adam RY, Ismail MIH, Ismail AY, et al. Akzeptanz der COVID-19-Impfung mit unterschiedlichen hypothetischen Wirksamkeits- und Sicherheitsniveaus in zehn Ländern in Asien, Afrika und Südamerika. Narra J. 2021;1:e5

Soares P, Rocha JV, Moniz M, Gama A, Laires PA, Pedro AR, et al. Faktoren im Zusammenhang mit der Zurückhaltung bei der Impfung gegen COVID-19. Impfstoffe (Basel). 2021;9:300.

Benderly M, Huppert A, Novikov I, Ziv A, Kalter-Leibovici O. Bekämpfung einer Pandemie: soziodemografische Unterschiede und Impflücken bei der Coronavirus-Krankheit – 2019 – eine Bevölkerungsstudie. Int J Epidemiol: Oxford University Press (OUP); 2022.

Agarwal R, Dugas M, Ramaprasad J, Luo J, Li G, Gao G. Sozioökonomische Privilegien und politische Ideologie sind mit Rassenunterschieden bei der COVID-19-Impfung verbunden. Proc Natl Acad Sci US A. 2021;118:2107873118.

Nafilyan V, Dolby T, Razieh C, Gaughan CH, Morgan J, Ayoubkhani D, et al. Soziodemografische Ungleichheit bei der COVID-19-Impfung bei älteren Erwachsenen in England: eine landesweit verknüpfte Datenstudie. BMJ offen. 2021;11:e053402.

Mollalo A, Tatar M. Räumliche Modellierung der Impfskepsis gegen Covid-19 in den Vereinigten Staaten. Int J Environ Res Public Health. 2021;18:9488.

Cao Y, Stewart K, Wish E, Artigiani E, Sorg M. Bestimmung des räumlichen Zugangs zur Behandlung von Opioidkonsumstörungen und zu medizinischen Notfalldiensten in New Hampshire. J Subst Abuse Treat Elsevier. 2019;101:55–66.

Artikel Google Scholar

Wan N, Zhan FB, Zou B, Chow E. Ein relativer räumlicher Zugangsbewertungsansatz zur Analyse des potenziellen räumlichen Zugangs zu Darmkrebsdiensten in Texas. Angewandte Geographie Elsevier Ltd. 2012;32:291–9.

Artikel Google Scholar

Liu D, Kwan MP, Kan Z, Song Y, Li X. Rassen-/ethnische Ungleichheit bei der verkehrsbasierten räumlichen Zugänglichkeit zu COVID-19-Impfstellen. J Rassenethnische Gesundheitsunterschiede. 2022. https://link.springer.com/article/10.1007/s40615-022-01339-x.

Kim K, Ghorbanzadeh M, Horner MW, Ozguven EE. Bewertung der Unterschiede in der räumlichen Erreichbarkeit von Impfstellen in Florida. Ann GIS. 2022;28:263–77.

Artikel Google Scholar

Duffy C, Newing A, Górska J. Bewertung der geografischen Zugänglichkeit und Gerechtigkeit von COVID-19-Impfstellen in England. Vaccines 2022, Bd. 10, Seite 50. Multidisziplinäres Institut für digitales Publizieren; 2021 ;10:50. [zitiert am 5. September 2022] Verfügbar unter: https://www.mdpi.com/2076-393X/10/1/50/htm.

Ledford H, Cyranoski D, Van Noorden R. Das Vereinigte Königreich hat einen COVID-Impfstoff zugelassen – das wollen Wissenschaftler jetzt wissen. Natur. 2020;588:205–6.

Artikel CAS PubMed Google Scholar

Britisches Ministerium für Gesundheit und Soziales. Lieferplan für britische COVID-19-Impfstoffe. 2021. S. 1–47. Verfügbar unter: https://www.gov.uk/ Government/publications/uk-covid-19-vaccines-delivery-plan.

ONS. Bevölkerungsschätzungen für das Vereinigte Königreich, England und Wales, Schottland und Nordirland. 2020 [zitiert am 13. August 2021]. Verfügbar unter: https://www.ons.gov.uk/peoplepopulationandcommunity/populationandmigration/populationestimates/bulletins/annualmidyearpopulationestimates/latest#population-growth-in-england-wales-scotland-and-northern-ireland.

NHS. Archiv der COVID-19-Impfungen. 2021. Verfügbar unter: https://www.england.nhs.uk/statistics/statistical-work-areas/covid-19-vaccinations/covid-19-vaccinations-archive/.

Luo W, Wang F. Messungen der räumlichen Zugänglichkeit zur Gesundheitsversorgung in einer GIS-Umgebung: Synthese und eine Fallstudie in der Region Chicago. Environ Plann B Plann Des. 2003;30:865–84.

Artikel PubMed PubMed Central Google Scholar

ONS. Verfügbarkeit von Autos oder Lieferwagen. Nomis. 2011. Verfügbar unter: https://www.nomisweb.co.uk/census/2011/qs416ew.

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

Dolby T, Finning K, Baker A, Fowler-Dowd L, Khunti K, Razieh C, et al. Überwachung der soziodemografischen Ungleichheit bei der Aufnahme von COVID-19-Impfungen in England: eine landesweit verknüpfte Datenstudie. J Epidemiol Community Health. 2022;76:646–52.

Britisches Verkehrsministerium. Reiseart – GOV.UK. 2020 [zitiert am 13. August 2021]. Verfügbar unter: https://www.gov.uk/ Government/statistical-data-sets/nts03-modal-comparisons#mode-by-region.

NHS England. Coronavirus-Impfstellen. 2021 [zitiert am 23. Juli 2021]. Verfügbar unter: https://www.england.nhs.uk/coronavirus/publication/vaccination-sites/.

Google. Geokodierungs-API der Google Maps Platform. 2021 [zitiert am 23. Juli 2021]. Verfügbar unter: https://developers.google.com/maps/documentation/geocoding/start.

Yellow Horse AJ, Yang TC, Huyser KR. Strukturelle Ungleichheiten haben die Architektur für die COVID-19-Pandemie unter amerikanischen Ureinwohnern in Arizona geschaffen: eine geografisch gewichtete Regressionsperspektive. J Rassenethnische Gesundheitsunterschiede. 2022;9:165–75.

Maiti A, Zhang Q, Sannigrahi S, Pramanik S, Chakraborti S, Cerda A, et al. Untersuchung der raumzeitlichen Auswirkungen der treibenden Faktoren auf die COVID-19-Inzidenz in den angrenzenden Vereinigten Staaten. Sustain Cities Soc. 2021;68:102784.

Wu Environ Sci Poll Res. 2021;28:43732–46.

Chen Y, Jiao J. Beziehung zwischen Soziodemografie und COVID-19: Eine Fallstudie in drei texanischen Regionen. Elektronisches SSRN-Journal. Elsevier BV; 2020;

Zhang J, Wu Int J Environ Res Public Health. 2021;18:5541.

Fotheringham AS, Yang W, Kang W. Multiskalige geografisch gewichtete Regression (MGWR). Ann Am Assoc Geogr. Taylor und Francis Ltd.; 2017 [zitiert am 11. Mai 2020];107:1247–65. Verfügbar unter: https://www.tandfonline.com/doi/full/10.1080/24694452.2017.1352480.

Oshan TM, Li Z, Kang W, Wolf LJ, Stewart Fotheringham A. MGWR: Eine Python-Implementierung der geografisch gewichteten Multiskalen-Regression zur Untersuchung der räumlichen Heterogenität und Skalierung von Prozessen. ISPRS Int J Geoinf. 2019;8:269.

Saxon J, Koschinsky J, Acosta K, Anguiano V, Anselin L, Rey S. Eine offene Softwareumgebung, um räumliche Zugangsmetriken leichter zugänglich zu machen. J Comput Soc Sci. 2021;5:265–84.

Luo W, Qi Y. Eine verbesserte zweistufige Floating Catchment Area (E2SFCA)-Methode zur Messung der räumlichen Zugänglichkeit für Hausärzte. Gesundheitsort. 2009;15:1100–7. Verfügbar unter: https://doi.org/10.1016/j.healthplace.2009.06.002.

Amt für nationale Statistik. COVID-19-Impfraten und Quotenverhältnisse nach soziodemografischer Gruppe. 2021 [zitiert am 20. August 2021]. Verfügbar unter: https://www.ons.gov.uk/peoplepopulationandcommunity/healthandsocialcare/healthinequalities/datasets/covid19vaccinationratesandoddsratiosbysociodemographicgroup.

Mills MC, Rahal C, Brazel D, Yan J, Gieysztor S. Einsatz von COVID-19-Impfstoffen: Verhalten, Ethik, Fehlinformationen und politische Strategien. Die Britische Akademie. 2020 [zitiert am 26. September 2021];1–35. Verfügbar unter: https://royalsociety.org/-/media/policy/projects/set-c/set-c-vaccine-deployment.pdf.

Mutebi N. COVID-19-Impfstoffabdeckung und gezielte Interventionen zur Verbesserung der Impfaufnahme – POST. 2021 [zitiert am 20. August 2021]. Verfügbar unter: https://post.parliament.uk/covid-19-vaccine-coverage-and-targeted-interventions-to-improve-vaccination-uptake/.

Bambra C, Riordan R, Ford J, Matthews F. Die COVID-19-Pandemie und gesundheitliche Ungleichheiten. J Epidemiol Community Health. 2020;74:964–8.

PubMed Google Scholar

Referenzen herunterladen

Wir möchten uns bei allen aufschlussreichen Kommentaren und Vorschlägen anonymer Gutachter zu früheren Versionen dieses Manuskripts bedanken.

Dr. Qunshan Zhao hat die laufende Unterstützung des britischen ESRC für das Urban Big Data Centre (UBDC) erhalten [ES/L011921/1 und ES/S007105/1].

Zentrum für fortgeschrittene räumliche Analyse, University College London, London, Großbritannien

Huanfa Chen & Lingru Feng

Geographisches Institut, Universität Hongkong, Hongkong, China

Yanjia Cao

Chongqing Planungs- und Designinstitut, Chongqing, China

Lingru Feng

Schlüssellabor für Überwachung, Bewertung und Frühwarnung der Umsetzung der territorialen Raumplanung, Ministerium für natürliche Ressourcen, Chongqing, China

Lingru Feng

Urban Big Data Centre, School of Social & Political Sciences, University of Glasgow, Glasgow, Großbritannien

Qunshan Zhao und Jose Rafael Verduzco Türme

Abteilung für Urbanistik, Universität Glasgow, Glasgow, Großbritannien

Qunshan Zhao und Jose Rafael Verduzco Türme

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

HC: Konzeptualisierung, Methodik, Schreiben – Originalentwurf, Supervision. YC: Konzeptualisierung, Literaturrecherche, Validierung, Schreiben – Überprüfen und Bearbeiten. LF: Datenkuration, Software, Datenanalyse, Schreiben – Überprüfen und Bearbeiten. QZ: Konzeptualisierung, Methodik, Validierung, Schreiben – Überprüfen und Bearbeiten. JRVT: Software, Datenanalyse, Schreiben – Überprüfen und Bearbeiten. Alle Autoren haben das Manuskript gelesen und genehmigt.

Korrespondenz mit Huanfa Chen.

Diese Forschung basiert auf offenen Daten, sodass bei dieser Forschung keine ethischen Probleme bestehen.

Unzutreffend.

Die Autoren berichten, dass es keine konkurrierenden Interessen gibt, die angegeben werden müssten.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Zusatzdatei 1.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/. Der Creative Commons Public Domain Dedication-Verzicht (http://creativecommons.org/publicdomain/zero/1.0/) gilt für die in diesem Artikel zur Verfügung gestellten Daten, sofern in einer Quellenangabe für die Daten nichts anderes angegeben ist.

Nachdrucke und Genehmigungen

Chen, H., Cao, Y., Feng, L. et al. Verständnis der räumlichen Heterogenität der Verbreitung von COVID-19-Impfungen in England. BMC Public Health 23, 895 (2023). https://doi.org/10.1186/s12889-023-15801-w

Zitat herunterladen

Eingegangen: 3. November 2022

Angenommen: 02. Mai 2023

Veröffentlicht: 16. Mai 2023

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

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt