Published August 10, 2023 | Version v1
Publication Open

Prioritizing COVID-19 vaccine allocation in resource poor settings: Towards an Artificial Intelligence-enabled and Geospatial-assisted decision support framework

Creators

  • 1. RFF-CMCC European Institute on Economics and the Environment
  • 2. Euro-Mediterranean Center for Climate Change
  • 3. University of Essex
  • 4. Universidad de Jaén
  • 5. Echo Network Africa
  • 6. University of Basel
  • 7. Swiss Tropical and Public Health Institute
  • 8. Ca' Foscari University of Venice
  • 9. International Institute for Applied Systems Analysis
  • 10. Imperial College London
  • 11. Biomedical Research and Training Institute
  • 12. Università Cattolica del Sacro Cuore
  • 13. Instituut voor Tropische Geneeskunde
  • 14. Kenya Medical Research Institute
  • 15. Lancaster University
  • 16. KU Leuven
  • 17. Bocconi University
  • 18. Liverpool School of Tropical Medicine
  • 19. Fondazione Bruno Kessler

Description

Objectives To propose a novel framework for COVID-19 vaccine allocation based on three components of Vulnerability, Vaccination, and Values (3Vs). Methods A combination of geospatial data analysis and artificial intelligence methods for evaluating vulnerability factors at the local level and allocate vaccines according to a dynamic mechanism for updating vulnerability and vaccine uptake. Results A novel approach is introduced including (I) Vulnerability data collection (including country-specific data on demographic, socioeconomic, epidemiological, healthcare, and environmental factors), (II) Vaccination prioritization through estimation of a unique Vulnerability Index composed of a range of factors selected and weighed through an Artificial Intelligence (AI-enabled) expert elicitation survey and scientific literature screening, and (III) Values consideration by identification of the most effective GIS-assisted allocation of vaccines at the local level, considering context-specific constraints and objectives. Conclusions We showcase the performance of the 3Vs strategy by comparing it to the actual vaccination rollout in Kenya. We show that under the current strategy, socially vulnerable individuals comprise only 45% of all vaccinated people in Kenya while if the 3Vs strategy was implemented, this group would be the first to receive vaccines.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

الأهداف اقتراح إطار جديد لتخصيص لقاح COVID -19 بناءً على ثلاثة مكونات من الضعف والتطعيم والقيم (3Vs). الأساليب مزيج من تحليل البيانات الجغرافية المكانية وأساليب الذكاء الاصطناعي لتقييم عوامل الضعف على المستوى المحلي وتخصيص اللقاحات وفقًا لآلية ديناميكية لتحديث الضعف وامتصاص اللقاحات. النتائج تم تقديم نهج جديد بما في ذلك (1) جمع بيانات نقاط الضعف (بما في ذلك البيانات الخاصة بكل بلد حول العوامل الديموغرافية والاجتماعية والاقتصادية والوبائية والصحية والبيئية)، (2) تحديد أولويات التطعيم من خلال تقدير مؤشر نقاط الضعف الفريد الذي يتكون من مجموعة من العوامل المختارة والموازنة من خلال استقصاء استنباط الخبراء (المدعوم بالذكاء الاصطناعي) وفحص الأدبيات العلمية، و (3) النظر في القيم من خلال تحديد التخصيص الأكثر فعالية للقاحات بمساعدة نظام المعلومات الجغرافية على المستوى المحلي، مع مراعاة القيود والأهداف الخاصة بالسياق. الاستنتاجات نعرض أداء استراتيجية 3Vs من خلال مقارنتها بطرح التطعيم الفعلي في كينيا. نظهر أنه في ظل الاستراتيجية الحالية، يشكل الأفراد الضعفاء اجتماعيًا 45 ٪ فقط من جميع الأشخاص الذين تم تطعيمهم في كينيا، بينما إذا تم تنفيذ استراتيجية 3Vs، فستكون هذه المجموعة أول من يتلقى اللقاحات.

Translated Description (French)

Objectifs Proposer un nouveau cadre d'allocation des vaccins contre la COVID-19 basé sur trois composantes de la vulnérabilité, de la vaccination et des valeurs (3V). Méthodes Combinaison de méthodes d'analyse de données géospatiales et d'intelligence artificielle pour évaluer les facteurs de vulnérabilité au niveau local et attribuer les vaccins selon un mécanisme dynamique de mise à jour de la vulnérabilité et de l'adoption des vaccins. Résultats Une nouvelle approche est introduite, comprenant (I) la collecte de données sur la vulnérabilité (y compris des données spécifiques au pays sur les facteurs démographiques, socio-économiques, épidémiologiques, de santé et environnementaux), (II) la priorisation de la vaccination par l'estimation d'un indice de vulnérabilité unique composé d'une gamme de facteurs sélectionnés et pesés par le biais d'une enquête de sollicitation d'experts en intelligence artificielle (IA) et d'un examen de la littérature scientifique, et (III) la prise en compte des valeurs par l'identification de l'allocation de vaccins assistée par SIG la plus efficace au niveau local, en tenant compte des contraintes et des objectifs spécifiques au contexte. Conclusions Nous présentons les performances de la stratégie 3Vs en la comparant au déploiement réel de la vaccination au Kenya. Nous montrons que dans le cadre de la stratégie actuelle, les personnes socialement vulnérables ne représentent que 45% de toutes les personnes vaccinées au Kenya alors que si la stratégie des 3V était mise en œuvre, ce groupe serait le premier à recevoir des vaccins.

Translated Description (Spanish)

Objetivos Proponer un marco novedoso para la asignación de vacunas COVID-19 basado en tres componentes de Vulnerabilidad, Vacunación y Valores (3Vs). Métodos Una combinación de análisis de datos geoespaciales y métodos de inteligencia artificial para evaluar los factores de vulnerabilidad a nivel local y asignar vacunas de acuerdo con un mecanismo dinámico para actualizar la vulnerabilidad y la absorción de vacunas. Resultados Se introduce un enfoque novedoso que incluye (I) la recopilación de datos de vulnerabilidad (incluidos los datos específicos de cada país sobre factores demográficos, socioeconómicos, epidemiológicos, sanitarios y ambientales), (II) la priorización de la vacunación mediante la estimación de un índice de vulnerabilidad único compuesto por una serie de factores seleccionados y ponderados a través de una encuesta de obtención de expertos de Inteligencia Artificial (habilitada para IA) y la selección de literatura científica, y (III) la consideración de los valores mediante la identificación de la asignación de vacunas asistida por SIG más efectiva a nivel local, teniendo en cuenta las limitaciones y los objetivos específicos del contexto. Conclusiones Mostramos el rendimiento de la estrategia 3Vs comparándola con la implementación real de la vacunación en Kenia. Mostramos que bajo la estrategia actual, las personas socialmente vulnerables comprenden solo el 45% de todas las personas vacunadas en Kenia, mientras que si se implementara la estrategia 3Vs, este grupo sería el primero en recibir vacunas.

Files

journal.pone.0275037&type=printable.pdf

Files (1.1 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:9717bce1e3a8e9d73b01da645c40378b
1.1 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
إعطاء الأولوية لتخصيص لقاح COVID -19 في البيئات الفقيرة بالموارد: نحو إطار دعم القرار المدعوم بالذكاء الاصطناعي والجغرافيا المكانية
Translated title (French)
Prioriser l'allocation de vaccins contre la COVID-19 dans les milieux pauvres en ressources : vers un cadre d'aide à la décision basé sur l'intelligence artificielle et assisté géospatialement
Translated title (Spanish)
Priorizar la asignación de vacunas contra la COVID-19 en entornos de escasos recursos: hacia un marco de apoyo a la toma de decisiones habilitado para la inteligencia artificial y asistido por geoespaciales

Identifiers

Other
https://openalex.org/W4385727677
DOI
10.1371/journal.pone.0275037

Is supplement to
https://openalex.org/W4390100400 (Other)
https://openalex.org/W4367313141 (Other)
https://openalex.org/W4366547507 (Other)
https://openalex.org/W4362512700 (Other)
https://openalex.org/W4283374591 (Other)
https://openalex.org/W2910751785 (Other)
https://openalex.org/W2733999579 (Other)
https://openalex.org/W2110217573 (Other)
https://openalex.org/W2074396925 (Other)
https://openalex.org/W2004086023 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Kenya

References

  • https://openalex.org/W2060986412
  • https://openalex.org/W2106698616
  • https://openalex.org/W2568081791
  • https://openalex.org/W2582264034
  • https://openalex.org/W2956825289
  • https://openalex.org/W2972878307
  • https://openalex.org/W3006834170
  • https://openalex.org/W3013100116
  • https://openalex.org/W3018139790
  • https://openalex.org/W3022476827
  • https://openalex.org/W3028589423
  • https://openalex.org/W3040234406
  • https://openalex.org/W3043720243
  • https://openalex.org/W3081189037
  • https://openalex.org/W3083914600
  • https://openalex.org/W3089440935
  • https://openalex.org/W3093335254
  • https://openalex.org/W3108189576
  • https://openalex.org/W3108201082
  • https://openalex.org/W3119310857
  • https://openalex.org/W3123442891
  • https://openalex.org/W3130938158
  • https://openalex.org/W3133035322
  • https://openalex.org/W3133405258
  • https://openalex.org/W3134685188
  • https://openalex.org/W3134940959
  • https://openalex.org/W3135801811
  • https://openalex.org/W3138170156
  • https://openalex.org/W3138837885
  • https://openalex.org/W3139401108
  • https://openalex.org/W3153815578
  • https://openalex.org/W3154961073
  • https://openalex.org/W3182978015