Communication and patient participation influencing patient recall of treatment discussions
Notice bibliographique
Résumé
CONTEXT: Patient recall of treatment information is a key variable towards chronic disease (CD) management. It is unclear what communication and patient participation characteristics predict recall. OBJECTIVES: To assess what aspects of doctor-patient communication predict patient recall of medication information. To describe lifestyle treatment recall, in CD primary care patients. DESIGN: Observational study within a RCT. SETTING & PARTICIPANTS: Community-based primary care (PC) practices. Family physicians (n=18): practicing >5 years, with a CD patient caseload. Patients (n=159): >40 years old, English speaking, computer literate, off-target hypertension, type II diabetes and/or dyslipidaemia. MAIN VARIABLES: Patient characteristics: age, education, number of CDs. Information characteristics: length of encounter, medication status, medication class. Communication variables: socio-emotional utterances, physician dominance and communication control scores and PACE (ask, check and express) utterances, measured by RIAS. Number of medication themes, dialogue and initiative measured by MEDICODE. MAIN OUTCOME MEASURES: Recall of CD, lifestyle treatment and medication information. RESULTS: Frequency of lifestyle discussions varied by topic. Patients recalled 43% (alcohol), 52% (diet) to 70% (exercise) of discussions. Two and a half of six possible medication themes were broached per medication discussion. Less than one was recalled. Discussing more themes, greater dialogue and patient initiative were significant predictors of improved medication information recall. DISCUSSION: Critical treatment information is infrequently exchanged. Active patient engagement and explicit conversations about medications are associated with improved treatment information recall in off-target CD patients followed in PC. CONCLUSION: Providers cannot take for granted that long-term off-target CD patients recall information. They need to encourage patient participation to improve recall of treatment information.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 source (Gemma direct ou Codex distillé), 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 ».