Why do families enrol in paediatric weight management? A parental perspective of reasons and facilitators
Notice bibliographique
Résumé
BACKGROUND: Few children with obesity who are referred for weight management end up enroled in treatment. Factors enabling enrolment are poorly understood. Our purpose was to explore reasons for and facilitators of enrolment in paediatric weight management from the parental perspective. METHODS: Semi-structured interviews were conducted with parents of 10- to 17-year-olds who were referred to one of four Canadian weight management clinics and enroled in treatment. Interviews were audio-recorded and transcribed verbatim. Manifest/inductive content analysis was used to analyse the data, which included the frequency with which parents referred to reasons for and facilitators of enrolment. RESULTS: In total, 65 parents were interviewed. Most had a child with a BMI ≥95th percentile (n = 59; 91%), were mothers (n = 55; 85%) and had completed some post-secondary education (n = 43; 66%). Reasons for enrolment were related to concerns about the child, recommended care and expected benefits. Most common reasons included weight concern, weight loss expectation, lifestyle improvement, health concern and need for external support. Facilitators concerned the referral initiator, treatment motivation and barrier control. Most common facilitators included the absence of major barriers, parental control over the decision to enrol, referring physicians stressing the need for specialized care and parents' ability to overcome enrolment challenges. CONCLUSIONS: Healthcare providers might optimize enrolment in paediatric weight management by being proactive in referring families, discussing the advantages of the recommended care to meet treatment expectations and providing support to overcome enrolment barriers.
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) | 0,000 | 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 ».