MétaCan
Menu
Retour à la cohorte
Enregistrement W4283258850 · doi:10.2196/33260

Evaluation of a Text Message–Based COVID-19 Vaccine Outreach Program Among Older Patients: Cross-sectional Study

2022· article· en· W4283258850 sur OpenAlexvenueno aff
Naheed Ahmed, Christian Boxley, Ram Dixit, Seth Krevat, Allan Fong, Raj M. Ratwani, Deliya B. Wesley

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueVaccine Coverage and Hesitancy
Établissements canadiensnon disponible
Organismes subventionnairesNYU Grossman School of Medicine
Mots-clésOutreachVaccinationMedicineFamily medicineCross-sectional studyLogistic regressionPandemicHerd immunityHealth careCoronavirus disease 2019 (COVID-19)DiseaseInfectious disease (medical specialty)ImmunologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: COVID-19 vaccines are vital tools in the defense against infection and serious disease due to SARS-CoV-2. There are many challenges to implementing mass vaccination campaigns for large, diverse populations from crafting vaccine promotion messages to reaching individuals in a timely and effective manner. During this unprecedented period, with COVID-19 mass vaccination campaigns essential for protecting vulnerable patient populations and attaining herd immunity, health care systems were faced with the dual challenges of vaccine outreach and distribution. OBJECTIVE: The aim of this cross-sectional study was to assess the effectiveness of a COVID-19 vaccine text outreach approach for patients aged 65 years and older. Our goal was to determine whether this approach was successful in scheduling patients for COVID-19 vaccine appointments. METHODS: We developed SMS text messages using the Tavoca platform. These messages informed patients of their vaccine eligibility and allowed them to indicate their interest in scheduling an appointment via a specific method (email or phone) or indicate their lack of interest in the vaccine. We tracked the status of these messages and how patients responded. Messages were sent to patients aged 65 years and older (N=30,826) at a nonprofit health care system in Washington, DC. Data were collected and examined from January 14 to May 10, 2021. Data were analyzed using multivariate multinomial and binary logistic regression models in SAS (version 9.4; SAS Institute Inc). RESULTS: Approximately 57% of text messages were delivered to patients, but many messages received no response from patients (40%). Additionally, 42.1% (12,978/30,826) of messages were not delivered. Of the patients who expressed interest in the vaccine (2938/30,826, 9.5%), Black or African American patients preferred a phone call rather than an email for scheduling their appointment (odds ratio [OR] 1.69, 95% CI 1.29-2.21) compared to White patients. Patients aged 70-74 years were more likely to schedule an appointment (OR 1.38, 95% CI 1.01-1.89) than those aged 65-69 years, and Black or African American patients were more likely to schedule an appointment (OR 2.90, 95% CI 1.72-4.91) than White patients. CONCLUSIONS: This study provides insights into some advantages and challenges of using a text messaging vaccine outreach for patients aged 65 years and older. Lessons learned from this vaccine campaign underscore the importance of using multiple outreach methods and sharing of patient vaccination status between health systems, along with a patient-centered approach to address vaccine hesitancy and access issues.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,054

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,013
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,119
Tête enseignante GPT0,503
Écart entre enseignants0,384 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetVaccine Coverage and HesitancyTravaux en français237 207