How physicians perceive and utilize information from a teratogen information service: The Motherisk Program
Notice bibliographique
Résumé
BACKGROUND: Teratogen information services have been developed around the world to disseminate information regarding the safety of maternal exposures during pregnancy. The Motherisk Program in Toronto, Canada, fields thousands of these inquiries per year. Our primary objective was to evaluate the perception and utilization of information received from us by physicians. Our secondary objective was to examine their information seeking behavior, in particular regarding teratogen information. METHODS: A one page survey was sent to physicians who had called Motherisk for information concerning pregnancy exposures in the previous 30 days for three months. Among the questions that were asked were demographics, which included gender, years in practice, specialty, information resources, and how they utilized the information received from Motherisk. RESULTS: We received 118/200 completed questionnaires (59% response rate). The mean age of the respondents was: 42 +/- 9 years, mean years of practice was: 14 +/- 8 years, males: 46(38%) and females 72(62%) and 95(80%) were family physicians. 56(48%) researched their question prior to calling Motherisk, 106(91%) and passed on the information received to their patient verbatim. The top four resources for information were: 1) The CPS (PDR), 2) textbooks, 3) journals and 4) colleagues. Only 8% used the Medline for gathering information. CONCLUSIONS: Physicians feel that a teratogen information service is an important component in the management of women exposed to drugs, chemicals, radiation and infections diseases etc. during pregnancy. Despite the advent of the electronic age, a minority of the physicians in our survey elected to use electronic means to seek information.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».