Discussing side effects of over-the-counter medicines: impact of adding percentage data
Notice bibliographique
Résumé
OBJECTIVES: Discussing side effects with patients continues to be a difficult area of practice. Questions arise as to how many should be mentioned and which ones. The way such information is presented can affect drug-taking decisions. This study examined how over-the-counter (OTC) medicine users are influenced by numerical risk estimates of side effects. METHODS: As part of a larger study on patient decision-making, 30 participants aged over 50 years were asked to consider three OTC headache medicines. They responded to one of two headache scenarios, one with symptoms described as mild but common and the other severe but rare. Participants made their selection based on drug efficacy and side effects, at first not linked to occurrence rates and then with this information provided. KEY FINDINGS: Average age was 66.6 years and the majority were female. Most were currently using some form of drug therapy. Drug choices differed in relation to mild versus severe headache scenarios. A stronger preference for drug X (50% effective and two side effects) was evident when the headaches were mild, shifting to a more effective agent (but with more side effects) when more severe. Addition of occurrence rates to the side effects had the greatest effect within the severe headache scenario, where more participants opted for the most effective agent (drug Z at 100% effective but six side effects) upon seeing the numbers. Overall, however, most kept the same drug in spite of the numerical information. CONCLUSIONS: Inclusion of numerical data for side effects did not negatively influence potential OTC medicine users. For most, effectiveness and side effects were the concern before receiving the percentages, while effectiveness became more important when the frequency data seemed to instil a sense of reassurance.
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 | 0,005 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».