Digital intervention increases influenza vaccination rates for people with diabetes in a decentralized randomized trial
Notice bibliographique
Résumé
People with diabetes (PWD) have an increased risk of developing influenza-related complications, including pneumonia, abnormal glycemic events, and hospitalization. Annual influenza vaccination is recommended for PWD, but vaccination rates are suboptimal. The study aimed to increase influenza vaccination rate in people with self-reported diabetes. This study was a prospective, 1:1 randomized controlled trial of a 6-month Digital Diabetes Intervention in U.S. adults with diabetes. The intervention group received monthly messages through an online health platform. The control group received no intervention. Difference in self-reported vaccination rates was tested using multivariable logistic regression controlling for demographics and comorbidities. The study was registered at clinicaltrials.gov: NCT03870997. A total of 10,429 participants reported influenza vaccination status (5158 intervention, mean age (±SD) = 46.8 (11.1), 78.5% female; 5271 control, Mean age (±SD) = 46.7 (11.2), 79.4% female). After a 6-month intervention, 64.2% of the intervention arm reported influenza vaccination, vers us 61.1% in the control arm (diff = 3.1, RR = 1.05, 95% CI [1.02, 1.08], p = 0.0013, number needed to treat = 33 to obtain 1 additional vaccination). Completion of one or more intervention messages was associated with up to an 8% increase in vaccination rate (OR 1.27, 95% CI [1.17, 1.38], p < 0.0001). The intervention improved influenza vaccination rates in PWD, suggesting that leveraging new technology to deliver knowledge and information can improve influenza vaccination rates in high-risk populations to reduce public health burden of influenza. Rapid cycle innovation could maximize the effects of these digital interventions in the future with other populations and vaccines.
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 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».