The content of talk about health conditions and medications during appointments involving interpreters
Notice bibliographique
Résumé
INTRODUCTION: Interpreters often join immigrants and physicians to permit communication. OBJECTIVE: To describe the content of talk about health problems and medications during clinical encounters involving interpreters [professionals (PI) or family members (FI)]. METHODS: We analysed one regularly scheduled encounter for each of 16 adult patients with his family physician and their usual interpreter (10 with a PI and 6 with a FI). A different PI, not involved in the consultations, translated the non-English or French parts. We coded all utterances about each medical problem and each medication using six health problem and 16 medication topics from MEDICODE, a validated coding scheme. RESULTS: Physicians and patients addressed an average of 3.6 problems and 3 medications per encounter. No psychosocial problems were discussed in encounters involving FIs. On average, three topics were discussed per problem. In order of frequency, they were follow-up, explanations of the condition, non-drug management, consequences, self-management and emotions about the problem. Encounters involving PIs were more likely than encounters with FIs to include discussions of emotions about the problem (42% versus 4%, P = 0.001) and indications for follow-up (88% versus 28%, P < 0.001). An average of 6.5 topics was discussed per medication. Commonest topics discussed were medication class, how the drug was being used, achieved effect and expected effect. CONCLUSIONS: One can address multiple problems and share vital information even in the presence of a language barrier. When FIs are interpreting, physicians would do well to make a particular effort to bring the patient's psychological and emotional issues into the interaction.
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 | 0,004 |
| 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 | 0,003 | 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) | 0,000 | 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 ».