Measuring patient satisfaction following epilepsy surgery
Notice bibliographique
Résumé
PURPOSE: To systematically review primary research examining patient satisfaction with epilepsy surgery in order to obtain evidence-based estimates of this surgical outcome; to assess methods used to measure epilepsy surgery satisfaction, overall epilepsy surgery satisfaction ratings, and predictors of epilepsy surgery satisfaction. METHODS: Systematic review of published studies in English up to June 2009, focusing on patient satisfaction with all types of epilepsy surgery in patients of all ages. We excluded studies that focused on satisfaction with epilepsy treatment in general, on quality of life without specific exploration of patient satisfaction with surgery, and on satisfaction with the process of health care delivery, rather than with surgery and its outcomes. KEY FINDINGS: Eight studies met inclusion criteria. Satisfaction was assessed using one or more global questions. Four epilepsy surgery satisfaction question content patterns emerged: (1) satisfied or dissatisfied, (2) perceived success or failure, (3) overall positive or negative impact, and (4) willingness to repeat surgery or regretting surgery. Overall 71% were satisfied; 64% considered it a success; it had a positive effect for 78%; and 87% would repeat surgery. Seizure freedom was the most common predictor of epilepsy surgery satisfaction, whereas postoperative neurologic deficit predicted dissatisfaction. SIGNIFICANCE: Patient satisfaction with interventions is an important aspect of patient-centered care, but it has received little attention in epilepsy surgery. Future research is required to develop and validate epilepsy surgery satisfaction tools. We provide preliminary guiding principles for measuring satisfaction after epilepsy surgery.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,002 |
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 ».