Medication discussion between nurse prescribers and people with diabetes: an analysis of content and participation using MEDICODE
Notice bibliographique
Résumé
AIM: This paper is a report of a study to identify the content of, and participation in, medicine discussion between nurse prescribers and people with diabetes in England. BACKGROUND: Diabetes affects 246 million people worldwide and effective management of medicines is an essential component of successful disease control. There are now over 20,000 nurse independent prescribers in the UK, many of whom frequently prescribe for people with diabetes. With this responsibility comes a challenge to effectively communicate with patients about medicines. National guidelines on medicines communication have recently been issued, but the extent to which nurse prescribers are facilitating effective medicine-taking in diabetes remains unknown. METHODS: A purposive sample of 20 nurse prescribers working with diabetes patients audio-recorded 59 of their routine consultations and a descriptive analysis was conducted using a validated coding tool: MEDICODE. Recordings were collected between January and July 2008. The unit of analysis was the medicine. RESULTS: A total of 260 instances of medicine discussion identified in the audio-recordings were analysed. The most frequently raised themes were 'medication named' (raised in 88·8% of medicines), 'usage of medication' (65·4%) and 'instructions for taking medication' (48·5%). 'Reasons for medication' (8·5%) and 'concerns about medication' were infrequently discussed (2·7%). Measures of consultation participation suggest largely dyadic medicine discussion initiated by nurse prescribers. CONCLUSION: MEDICODE discussion themes linked to principles of recent guidelines for effective medicine-taking were infrequently raised. Medicine discussion was characterized by a one statement-one response style of communication led by nurses. Professional development is required to support theoretically informed approaches to effective medicines management.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».