Effective Hearing Loss Screening in Primary Care: The Early Auditory Referral-Primary Care Study
Notice bibliographique
Résumé
<h3>PURPOSE</h3> Hearing loss, the second most common disability in the United States, is under-diagnosed and under-treated. Identifying it in early stages could prevent its known substantial adverse outcomes. <h3>METHODS</h3> A multiple baseline design was implemented to assess a screening paradigm for identifying and referring patients aged ≥55 years with hearing loss at 10 family medicine clinics in 2 health systems. Patients completed a consent form and the Hearing Handicap Inventory for the Elderly (HHI). An electronic alert prompted clinicians to screen for hearing loss during visits. <h3>RESULTS</h3> The 14,877 eligible patients during the study period had 36,701 encounters. Referral rates in the family medicine clinics increased from a baseline rate of 3.2% to 14.4% in 1 health system and from a baseline rate of 0.7% to 4.7% in the other. A general medicine comparison group showed referral rate increase from the 3.0% baseline rate to 3.3%. Of the 5,883 study patients who completed the HHI 25.2% (n=1,484) had HHI scores suggestive of hearing loss; those patients had higher referral rates, 28% vs 9.2% (<i>P</i> <.001). Of 1,660 patients referred for hearing testing, 717 had audiology data available for analysis: 669 (93.3%) were rated appropriately referred and 421 (58.7%) were considered hearing aid candidates. Overall, 71.5% of patients contacted felt their referral was appropriate. <h3>CONCLUSION</h3> An electronic alert used to remind clinicians to ask patients aged ≥55 years about hearing loss significantly increased audiology referrals for at-risk patients. Audiologic and audiogram data support the effectiveness of the prompt. Clinicians should consider adopting this method to identify patients with hearing loss to reduce its known and adverse sequelae.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».