Shared decision making: what do clinicians need to know and why should they bother?
Notice bibliographique
Résumé
Shared decision making enables a clinician and patient to participate jointly in making a health decision, having discussed the options and their benefits and harms, and having considered the patient's values, preferences and circumstances. It is not a single step to be added into a consultation, but a process that can be used to guide decisions about screening, investigations and treatments. The benefits of shared decision making include enabling evidence and patients' preferences to be incorporated into a consultation; improving patient knowledge, risk perception accuracy and patient-clinician communication; and reducing decisional conflict, feeling uninformed and inappropriate use of tests and treatments. Various approaches can be used to guide clinicians through the process. We elaborate on five simple questions that can be used: What will happen if the patient waits and watches? What are the test or treatment options? What are the benefits and harms of each option? How do the benefits and harms weigh up for the patient? Does the patient have enough information to make a choice? Although shared decision making can occur without tools, various types of decision support tools now exist to facilitate it. Misconceptions about shared decision making are hampering its implementation. We address the barriers, as perceived by clinicians. Despite numerous international initiatives to advance shared decision making, very little has occurred in Australia. Consequently, we are lagging behind many other countries and should act urgently.
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 | 0,105 | 0,245 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,014 | 0,030 |
| Communication savante | 0,021 | 0,040 |
| Science ouverte | 0,004 | 0,019 |
| Intégrité de la recherche | 0,016 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,003 |
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 ».