Improving Influenza Vaccination Coverage: A Quality Improvement Project in Internal Medicine Clinic
Notice bibliographique
Résumé
Background: The influenza vaccine coverage is low despite its proven benefit in improving morbidity and mortality, and costs associated with influenza infection. Primary care clinics provide a convenient and effective space to conduct a discussion related to influenza vaccine. A decrease in the influenza vaccine coverage was noticed during the coronavirus disease 2019 (COVID-19) pandemic along with a decrease in patient visits. Methods: The quality improvement study was done at a primary care clinic in an underserved area over a 12-week period. Providers were given education in a group setting at the beginning of every alternate week, i.e., 6 weeks duration, and the remaining 6 weeks served as a comparison group. Further, a brief education was given at the beginning of the week, and a simple questionnaire was given before each patient visit. The providers were advised to record their discussion in the electronic medical records. Results: The intervention led to increased discussion regarding the influenza vaccine between the providers and the patients (χ 2 (1, N = 726) = 25.76, P < 0.00001 without Yates correction), but no statistically significant difference was noticed in the proportion of patients accepting the vaccine (χ 2 (1, N = 187) = 1.714, P = 0.1905 without Yates correction). Conclusion: Providers were least likely to offer the vaccine on visits scheduled for a pre-operative evaluation or an acute complain. A simple intervention like providing education to healthcare staff can significantly improve discussions regarding vaccines, and has the potential to improve coverage. Clin Infect Immun. 2024;9(1):11-15 doi: https://doi.org/10.14740/cii176
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 | 0,006 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| 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 ».