Implementing an innovative consent form: the PREDICT experience
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: In the setting of coronary angiography, generic consent forms permit highly variable communication between patients and physicians. Even with the existence of multiple risk models, clinicians have been unable to readily access them and thus provide patients with vague estimations regarding risks of the procedure. METHODS: We created a web-based vehicle, PREDICT, for embedding patient-specific estimates of risk from validated multivariable models into individualized consent documents at the point-of-care. Beginning August 2006, outpatients undergoing coronary angiography at the Mid America Heart Institute received individualized consent documents generated by PREDICT. In February 2007 this approach was expanded to all patients undergoing coronary angiography within the four Kansas City hospitals of the Saint Luke's Health System. Qualitative research methods were used to identify the implementation challenges and successes with incorporating PREDICT-enhanced consent documents into routine clinical care from multiple perspectives: administration, information systems, nurses, physicians, and patients. RESULTS: Most clinicians found usefulness in the tool (providing clarity and educational value for patients) and satisfaction with the altered processes of care, although a few cardiologists cited delayed patient flow and excessive patient questions. The responses from administration and patients were uniformly positive. The key barrier was related to informatics. CONCLUSION: This preliminary experience suggests that successful change in clinical processes and organizational culture can be accomplished through multidisciplinary collaboration. A randomized trial of PREDICT consent, leveraging the accumulated knowledge from this first experience, is needed to further evaluate its impact on medical decision-making, patient compliance, and clinical outcomes.
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle