Vaping: Impact of Improving Screening Questioning in Adolescent Population: A Quality Improvement Initiative
Notice bibliographique
Résumé
The use of Electronic Nicotine Delivery Systems (ENDS) increased dramatically over the past decade, making them the most common tobacco product used among youth. While physicians often screen for the use of tobacco, very few screen for vaping product usage. This quality improvement project aimed to increase the screening rate of ENDS use among adolescents to 85% to match the Healthy People 2020 screening target of 83.3% for smoking. METHOD: We collected data from weekly chart reviews of all adolescent visits with a primary care provider by using keywords such as "vapor," "e-cigs," and "vaping" to document screening for ENDS use. The project consisted of 4 PDSA cycles: (1) education of the Adolescent Clinic staff about screening; (2) the addition of the specific question for e-cigarette use in the facility's Electronic Health Record; (3) house staff lecture about the importance of screening; and (4) reinforcement about screening to adolescent physicians. RESULTS: The percentage of screening for traditional tobacco use was consistently higher than ENDS use in all months. ENDS use assessment increased since the first intervention, going from 0% at baseline to 90% at the end. The addition of a specific question for ENDS use in EPIC was the most significant intervention and increased the screening percentage to 78%. CONCLUSIONS: To adequately assess for the use of ENDS, the nonspecific question, "do you smoke?" is not sufficient. A direct approach is necessary. A specific question in the EHR is the most significant way to increase screening for ENDS use.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».