Immunization Coverage and Clinical Documentation of Vaccine Refusal in Pediatric Clinics: A Retrospective Analysis in the Midwestern United States, 2022-2024
Notice bibliographique
Résumé
Objective: Vaccine hesitancy has increased in recent years, prompting some pediatric practices to implement strict immunization policies. Accurate documentation of vaccine refusal is essential for monitoring trends and informing interventions. This retrospective analysis assessed immunization coverage and refusal documentation among pediatric patients in a Midwestern health care system with a policy requiring adherence to the Centers for Disease Control and Prevention immunization schedule. Study design: Z codes to identify documentation of underimmunization and refusal. We used logistic regression to examine associations between refusal documentation and patient characteristics. Results: Among 2164 eligible patients, 300 (13.9%) had documented vaccine refusal. Coverage for most immunizations was comparable with national estimates. Refusal documentation was more common among White non-Hispanic patients and those with Medicaid or self-pay insurance. Patients from greater-income neighborhoods had greater odds of documented refusal. Among refusal codes, 39.6% used the designation "patient refusal," a code intended for individuals making their own health care decisions. Conclusions: codes to document refusal limited interpretability by not specifying the immunization refused or whether it was a true refusal or delay. Improved coding specificity and integration of refusal tracking into electronic health records may enhance the utility of clinical data for monitoring immunization trends and informing policy.
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 | 0,037 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».