Patient‐centered decision making in the treatment of chronic rhinosinusitis
Notice bibliographique
Résumé
OBJECTIVES/HYPOTHESIS: To explore possible factors that might impact a patient's choice to pursue endoscopic sinus surgery (ESS) or continue with medical management for treatment of refractory chronic rhinosinusitis (CRS). STUDY DESIGN: Cross-sectional evaluation of a multicenter prospective cohort. METHODS: Two hundred forty-two subjects with CRS were prospectively enrolled within four academic tertiary care centers across North America with ongoing symptoms despite prior medical treatment. Subjects either self-selected continued medical management (n = 62) or ESS (n = 180) for treatment of sinonasal symptoms. Differences in demographics, comorbid conditions, and clinical measures of disease severity between subject groups were compared. Validated metrics of social support, personality, risk aversion, and physician-patient relationships were compared using bivariate analyses, predicted probabilities, and receiver operating characteristic curves at the 0.05 alpha level. RESULTS: No significant differences were found between treatment groups for any demographic characteristic, clinical cofactor, or measure of social support, personality, or the physician-patient relationship. Subjects electing to pursue sinus surgery did report significantly worse average quality-of-life (QOL) scores on the 22-item Sinonasal Outcome Test (SNOT-22; P < .001) compared to those electing continued medical therapy (54.6 ± 18.9 vs. 39.4 ± 17.7), regardless of surgical history or polyp status. SNOT-22 score significantly predicted treatment selection (odds ratio, 1.046; 95% confidence interval, 1.028-1.065; P < .001) and was found to accurately discriminate between subjects choosing endoscopic sinus surgery and those electing medical management 72% of the time. CONCLUSIONS: Worse patient-reported disease severity, as measured by the SNOT-22, was significantly associated with the treatment choice for CRS. Strong consideration should be given for incorporating CRS-specific QOL measures into routine clinical practice. LEVEL OF EVIDENCE: 2b.
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 | 0,003 | 0,016 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».