Using electronic knowledge resources for person-centered medicine – I: An evaluation model
Notice bibliographique
Résumé
Rationale: Electronic knowledge resources are routinely searched by physicians for clinical information. The value of clinical information for physicians can be conceptualized in accordance with the ‘Acquisition-Cognition-Application’ model from information studies. In previous work, seven reasons for searching for information (acquisition), and 10 cognitive impacts (cognition), were proposed.Aims and objectives: In two companion papers, our objectives are: (1) to propose a person-centered model of the value of clinical information retrieved by health professionals from electronic knowledge resources, called the ‘Acquisition-Cognition-Application-Outcome’ (ACAO) model and (2) to propose a related concept, the Number Needed To Benefit From Information (NNBI), i.e., the number of patients for whom information has to be retrieved to observe health benefits for one patient. Our research questions are as follows. Part 1: What is known about patients health benefits associated with the use of information that physicians retrieve from electronic knowledge resources? Part 2: How do patients benefit when physicians use information from electronic knowledge resources?Methods: This paper (Part 1) reports a mixed studies review of the medical literature on types of information use and subsequent patient health benefits.Results: Twenty-nine papers were included in this review. These papers support four proposed types of information use and four of five types of patient health benefits.Conclusion: This review of the medical literature supports the ACAO model and paves the way toward a new concept for examining patient health benefits associated with information use, the NNBI described in Part 2.
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 | 0,009 | 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) | 0,001 | 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 ».