Informed decision-making in elective major vascular surgery: analysis of 145 surgeon–patient consultations
Notice bibliographique
Résumé
BACKGROUND: Prior studies show significant gaps in the informed decision-making process, a central goal of surgical care. These studies have been limited by their focus on low-risk decisions, single visits rather than entire consultations, or both. Our objectives were, first, to rate informed decision-making for major elective vascular surgery based on audiotapes of actual physician-patient conversations and, second, to compare ratings of informed decision-making for first visits to ratings for multiple visits by the same patient over time. METHODS: We prospectively enrolled patients for whom vascular surgical treatment was a potential option at a tertiary care outpatient vascular surgery clinic. We audio-taped all surgeon-patient conversations, including multiple visits when necessary, until a decision was made. Using an existing method, we evaluated the transcripts for elements of decision-making, including basic elements (e.g., an explanation of the clinical condition), intermediate elements (e.g., risks and benefits) and complex elements (e.g., uncertainty around the decision). RESULTS: We analyzed 145 surgeon-patient consultations. Overall, 45% of consultations contained complex elements, whereas 23% did not contain the basic elements of decision-making. For the 67 consultations that involved multiple visits, ratings were significantly higher when evaluating all visits (50% complex elements) compared with evaluating only the first visit (33% complex elements, p < 0.001.) CONCLUSION: We found that 45% of consultations contained complex elements, which is higher than prior studies with similar methods. Analyzing decision-making over multiple visits yielded different results than analyzing decision-making for single visits.
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 | 0,002 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».