Using electronic knowledge resources for person-centered medicine - II: The Number Needed to Benefit from Information (NNBI)
Notice bibliographique
Résumé
Rationale: Electronic knowledge resources are routinely searched by physicians for clinical information in practice. With respect to searching, no studies have systematically assessed the relevance of clinical information, its cognitive impact, the use of information for specific patients and information-related patient health benefits. In our companion paper (Part 1) we critically reviewed the literature and proposed a model of the value of clinical information for health professionals, which includes types of information use and subsequent patient health benefits.Aims and objectives: The purpose of the present paper (Part 2) is to systematically examine patient health benefits associated with physicians’ use of information retrieved from one electronic knowledge resource in routine clinical practice. Methods: Longitudinal mixed methods study. Cases were 84 critical searches for information for patients conducted by 16 family medicine residents over two months. Using the Information Assessment Method (IAM), each ‘opened’ information object was linked to a questionnaire (n = 309). IAM permitted residents to systematically document the cognitive impact of information. Guided by reports of quantitative data, residents were interviewed to explore the search context, the cognitive impact, the use of information and information-related patient health benefits.Results and conclusion: Our results suggest patterns of information use and show that 14.3% of residents’ searches were associated with health benefits. This suggests a new concept we refer to as the Number Needed to Benefit from Information (NNBI). In this study, the number of patients for whom information was retrieved to observe health benefits for one patient, was seven.
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 | 0,003 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».