Communicating Quality of Life Information to Cancer Patients: A Study of Six Presentation Formats
Notice bibliographique
Résumé
PURPOSE: To determine which formats for presenting health-related quality of life (HRQL) data are interpreted most accurately and are most preferred by cancer patients. Patients often want a great deal of information about cancer treatments, including information relevant to HRQL. Clinical trials provide methodologically sound HRQL data that may be useful to patients. PATIENTS AND METHODS: In a multicenter study, 198 patients with previously treated cancer participated in a structured interview. Participants judged HRQL information presented in one textual and five graphical formats. Outcome measures included the accuracy of patients' interpretations and ease-of-use and helpfulness ratings for each format. RESULTS: Correct interpretations ranged from 85% to 98% across formats (F = 10.3, P < .0001) with line graphs of mean HRQL scores over time being interpreted correctly most often. Older patients and less-educated patients were less likely to interpret graphs accurately (F = 7.3, P = .008; and F = 10.6, P = .001, respectively), but all groups were most accurate on simple line graphs. Multivariate analysis revealed that format type, participant age and education were independent predictors of accuracy rates. Patients' ratings also varied across formats both for ease of understanding scores (F = 12.1, P < .0001) and for helpfulness scores (F = 13.2, P < .0001), with line graphs being rated highest on both outcomes. CONCLUSION: Patients generally prefer a simple linear representation of group mean HRQL scores, and can accurately interpret data presented in this format more than 98% of the time irrespective of their age group and educational level. The findings have important implications for the communication of clinical trial HRQL results.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».