Prescription medicines: decision‐making preferences of patients who receive different levels of public subsidy
Notice bibliographique
Résumé
OBJECTIVE: To compare the relative importance of medicine attributes and decision-making preferences of patients with higher or lower levels of insurance coverage in a publicly funded health care system. DESIGN AND SETTING: Cross-sectional telephone survey of randomly selected regular medicine users aged ≥18 years in the Hunter Valley, NSW, Australia. MAIN VARIABLES STUDIED: Questions about 27 medicine attributes and active involvement in decisions to start a new medicine. RESULTS: After adjustment, there were few differences between the 408 concession card holders (high insurance) and 410 general beneficiaries (low insurance) in their assessment of the importance of medicine attributes. For both groups, the explanation of treatment options, establishing the need for the medicine, and medicine efficacy and safety were the most important considerations. Medicine costs, the treatment burden and medicine familiarity were less important; the views of family and friends ranked lowest. There was a statistically significantly greater influence of the regular doctor for the concession card holders than general beneficiaries (93.6 vs. 84%, adjusted OR 2.80, 95% CI 1.31, 5.99). Concession card holders were more likely to favour doctors having more say in the decision-making process (crude OR 1.69, 95% CI 1.28, 2.24), and more likely to report the most recent treatment decision being made by the doctor alone, compared with general beneficiaries (61.2 vs. 40.3%). CONCLUSION: Medicine need, efficacy and safety are viewed as paramount for most patients, irrespective of insurance status. While patients report the importance of participation in treatment decisions, delegation of decision making to the doctor was common in practice.
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 | 0,001 |
| 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 | 0,000 |
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 ».