Willingness to take drugs to prevent serious chronic diseases (自愿服用药物以预防严重的慢性疾病)
Notice bibliographique
Résumé
BACKGROUND: The aim of this study was to determine an individual's willingness to take a preventive therapy for each of two chronic diseases (type 2 diabetes [T2D] and dementia) when provided with varying likelihoods of acquiring the disease. METHODS: After reading a description of two chronic diseases (i.e. T2D and dementia), 345 student volunteers at McMaster University rated their likelihood of taking a drug that could halve their chance of developing each disease, assuming a 1-year risk of developing the disease of 50%, 25%, and 10%. A five-point Likert scale was used to collect responses. RESULTS: Assuming an annual incidence of 50%, 27% of respondents were neither likely nor very likely to take a therapy that halved the annual incidence of T2D and 13% were neither likely nor very likely to take a therapy that halved the annual incidence of dementia. Higher quoted incidence rates of the disease and a personal history of a chronic illness significantly increased willingness to take such therapy. CONCLUSIONS: A high proportion of young educated adults have ambivalent or negative attitudes regarding the use of pharmacological therapy to prevent serious health outcomes even when the absolute 1-year risk of these outcomes is very high.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 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) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».