Extent and Predictors of Decision Regret about Health Care Decisions
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: People often face difficult decisions about their health and may later regret the choice that they made. However, little is known about the extent of decision regret in health care or its predictors. We systematically reviewed evidence about the extent of decision regret and its risk factors among individuals making health decisions. METHODS: The data sources were Medline, Embase, and reverse citation searches in Google Scholar and Web of Science. Studies using the Decision Regret Scale (DRS) to measure decision regret among individuals making nonhypothetical health decisions were included. There were no restrictions on study design, setting, or language. We extracted characteristics of included studies, measures of central tendency for DRS scores (0 = no regret, 100 = high regret), and all risk factors from published analyses. Quality appraisal was conducted using the Mixed Methods Appraisal Tool. A narrative synthesis was performed owing to the heterogeneity of studies. RESULTS: The initial search yielded 372 unique titles, and 59 studies were included. The overall mean DRS score across studies was 16.5, and the median of the mean scores was 14.3 (standard deviation range = 2.2-34.5) (n = 44 studies). The risk factors most frequently reported to be associated with decision regret in multivariate analyses included higher decisional conflict, lower satisfaction with the decision, adverse physical health outcomes, and greater anxiety levels. CONCLUSIONS: The extent of decision regret as assessed with the DRS in nonhypothetical health decisions was often low but reached high levels for some decisions. Several risk factors related to the decision-making process significantly predicted decision regret. Additional research into the psychometrics of the DRS and the relevance of scores for clinicians and patients would increase the validity of decision regret as a patient-reported outcome.
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.
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 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle