Και η σκέψη είναι ότι, με αυτό το επίπεδο ακρίβειας, οι στρατηγικές επικοινωνίας θα μπορούσαν να είναι πιο στοχευμένες και αποτελεσματικές. Ο Kejriwal βρήκε σαφή πρότυπα μεταξύ της αποδοχής εμβολίων μεταξύ διαφορετικών κοινωνικο-δημογραφικών ομάδων στις ΗΠΑ και ελπίζει ότι οι μέθοδοί του μπορούν να χρησιμοποιηθούν για την πρόβλεψη της διστακτικότητας στα εμβόλια, αν ποτέ αντιμετωπίσουμε άλλη πανδημία.
Covid-19: Τον Μάιο του 2021, ο πρόεδρος των ΗΠΑ Τζο Μπάιντεν ανακοίνωσε ότι στόχος του είναι να εμβολιαστεί μερικώς τουλάχιστον το 70% των Αμερικανών κατά της COVID-19 έως τον Ιούλιο του ίδιου έτους. Ωστόσο, τα κυβερνητικά αρχεία δείχνουν ότι μέχρι τον Σεπτέμβριο του 2022, πάνω από το 31% των Αμερικανών δεν είχαν ακόμη εμβολιαστεί πλήρως. Έχει αποδειχθεί ότι αυτό δεν οφειλόταν σε περιορισμούς της προσφοράς, αλλά μάλλον σε διστακτικότητα όσον αφορά το εμβόλιο μεταξύ ορισμένων τμημάτων του πληθυσμού.
Γιατί τόσοι πολλοί Αμερικανοί ήταν διστακτικοί απέναντι στο εμβόλιο COVID; Αυτό είναι που θέλησαν να απαντήσουν οι ερευνητές της Πολυτεχνικής Σχολής Viterbi του Πανεπιστημίου των ΗΠΑ (USC). Ο Mayank Kejriwal, επικεφαλής έρευνας στο Ινστιτούτο Επιστημών Πληροφορίας (ISI) του Πανεπιστημίου των ΗΠΑ USC και ερευνητικός επίκουρος καθηγητής στο Τμήμα Βιομηχανικής Μηχανικής και Μηχανικών Συστημάτων Daniel J. Epstein, μαζί με τον διδακτορικό φοιτητή Ke Shen ανέλυσαν κοινωνικοδημογραφικές μεταβλητές στην εργασία τους με τίτλο ” Χρησιμοποιώντας την υπό συνθήκη συμπερασματολογία για την ποσοτικοποίηση των επιδράσεων αλληλεπίδρασης των κοινωνικο-δημογραφικών συνοριακών παραμέτρων του προγράμματος Us COVID-19 Διστακτικότητας στον εμβολιασμό” η οποία δημοσιεύθηκε πρόσφατα στο PLOS Global Public Health. Με την έρευνα αυτή, ελπίζουν να θέσουν τις βάσεις για τη μελλοντική ετοιμότητα σε περίπτωση πανδημίας όσον αφορά τη διστακτικότητα στα εμβόλια. Ο Kejriwal διεξήγαγε μια αναδρομική ανάλυση σε δεδομένα από μια διατομεακή έρευνα COVID-19 της Gallup που χορηγήθηκε σε αντιπροσωπευτικό δείγμα ερωτηθέντων με έδρα τις ΗΠΑ. Ήταν μια διαδικτυακή έρευνα που ξεκίνησε τον Μάρτιο του 2020 και περιελάμβανε καθημερινά τυχαία δείγματα ενηλίκων των ΗΠΑ. “Θέλαμε να δούμε αν θα μπορούσαμε να προβλέψουμε, με βάση κοινωνικο-δημογραφικές μεταβλητές, ποιες συγκεκριμένες ομάδες μπορεί να είναι πιο διστακτικές σε σχέση με άλλες όσον αφορά το εμβόλιο”, δήλωσε ο Kejriwal. Και εξήγησε: “Εάν μπορούμε να το προβλέψουμε αυτό, τότε θα μπορούσαμε να στοχεύσουμε την επικοινωνία. Θα μπορούσατε να γνωρίζετε ότι αυτές είναι οι κοινότητες στις οποίες χρειαζόμαστε περισσότερη ενημέρωση για το εμβόλιο, για παράδειγμα. Χρησιμοποιώντας τις απαντήσεις 16.322 ερωτηθέντων, ανέλυσε τις σχετικές επιδράσεις διαφόρων κατηγοριών δημογραφικών μεταβλητών στη διστακτικότητα ως προς το εμβόλιο. Οι μεταβλητές αυτές ήταν: ετήσιο εισόδημα νοικοκυριού, φυλή/εθνική καταγωγή, πολιτικό κόμμα, κατάσταση απασχόλησης, φύλο, εκπαίδευση και “εμπιστοσύνη στην κυβέρνηση Trump”. Για την τελευταία αυτή μεταβλητή, η ερώτηση της Gallup για το 2020 ζητούσε: “Παρακαλώ σκεφτείτε τον πρόσφατο αντίκτυπο του κορωνοϊού (COVID-19) στη ζωή σας όταν απαντάτε στα ακόλουθα και δηλώστε το επίπεδο συμφωνίας ή διαφωνίας σας: Έχω εμπιστοσύνη στην ηγεσία του Προέδρου Ντόναλντ Τραμπ για την επιτυχή διαχείριση των αναδυόμενων προκλήσεων στον τομέα της υγείας”. Οι απαντήσεις σε αυτή την ερώτηση καταγράφηκαν σε πενταβάθμια κλίμακα, από το διαφωνώ απόλυτα (1) έως το συμφωνώ απόλυτα (5). Όσοι απάντησαν πάνω από 3 χαρακτηρίστηκαν ως άτομα που είχαν εμπιστοσύνη στη διοίκηση Τραμπ
Πώς (και κατά πόσο) επηρεάζουν αυτές οι μεταβλητές την αποδοχή των εμβολίων; Ο Kejriwal είχε δύο στόχους κατά νου για τα δεδομένα της έρευνας: 1) να βρει τις συσχετίσεις μεταξύ των μεταβλητών και της αποδοχής των εμβολίων και 2) να ποσοτικοποιήσει και να απεικονίσει τις αλληλεπιδράσεις μεταξύ αυτών των μεταβλητών και της αποδοχής των εμβολίων. Χρησιμοποιώντας μονομεταβλητή παλινδρόμηση – ένα μοντέλο που αναζητά να βρει τη σχέση μεταξύ μιας μεταβλητής και μιας μεταβλητής-στόχου (αποδοχή εμβολίων σε αυτή την περίπτωση)- ο Kejriwal ανέλυσε τα δεδομένα της Gallup για να βρει και να μετρήσει τις συσχετίσεις Επιπλέον, ο Kejriwal χρησιμοποίησε μηχανική μάθηση και βαθιά στατιστική ανάλυση για να πάρει τις μεταβλητές και τις συσχετίσεις μεταξύ αυτών και της διστακτικότητας για το εμβόλιο και να τις οργανώσει σε ένα δέντρο συμπερασμάτων υπό όρους. Αυτό το δέντρο είναι ένας τρόπος ποσοτικοποίησης και οπτικοποίησης της σχετικής σημασίας των μεταβλητών, καθώς και εμφάνισης των επιδράσεων μεταξύ των μεταβλητών Το δέντρο δείχνει, για παράδειγμα, ότι ένας άνδρας μη μαύρος Δημοκρατικός που δεν εμπιστευόταν τη διοίκηση Τραμπ είχε υψηλή αποδοχή εμβολίων. Ενώ μια γυναίκα κάτω των 57 ετών που εμπιστευόταν τη διοίκηση Τραμπ είχε πολύ χαμηλή αποδοχή εμβολίων. Και τα δύο αυτά μπορεί να φαίνονται διαισθητικά, αλλά με το δέντρο συμπερασμάτων υπό όρους, ο βαθμός αποδοχής εμβολίων και η σχέση μεταξύ των μεταβλητών ποσοτικοποιείται και οπτικοποιείται.
Και η σκέψη είναι ότι, με αυτό το επίπεδο ακρίβειας, οι στρατηγικές επικοινωνίας θα μπορούσαν να είναι πιο στοχευμένες και αποτελεσματικές. Ο Kejriwal βρήκε σαφή πρότυπα μεταξύ της αποδοχής εμβολίων μεταξύ διαφορετικών κοινωνικο-δημογραφικών ομάδων στις ΗΠΑ και ελπίζει ότι οι μέθοδοί του μπορούν να χρησιμοποιηθούν για την πρόβλεψη της διστακτικότητας στα εμβόλια, αν ποτέ αντιμετωπίσουμε άλλη πανδημία.
Ακολουθήστε το healthweb.gr στο Google News και μάθετε πρώτοι όλες τις ειδήσεις
Ακολουθήστε το healthweb.gr στο κανάλι μας στο YouTube
