Caregiver Treatment Preferences for Children with a New Versus Existing Attention-Deficit/Hyperactivity Disorder Diagnosis
Notice bibliographique
Résumé
OBJECTIVES: Parental experiences with managing their child's attention-deficit/hyperactivity disorder (ADHD) can influence priorities for treatment. This study aimed to identify the ADHD management options caregivers most prefer and to determine if preferences differ by time since initial ADHD diagnosis. METHODS: Primary caregivers (n = 184) of a child aged 4-14 years old in care for ADHD were recruited from January 2013 through March 2015 from community-based pediatric and mental health clinics and family support organizations across the state of Maryland. Participants completed a survey that included child/family demographics, child clinical treatment, and a Best-Worst Scaling (BWS) experiment to elicit ADHD management preferences. The BWS comprised 18 ADHD management profiles showing seven treatment attributes, where the best and worst attribute levels were selected from each profile. A conditional logit model using effect-coded variables was used to estimate preference weights stratified by time since ADHD diagnosis. RESULTS: Participants were primarily the mother (84%) and had a college or postgraduate education (76%) with 75% of the children on stimulant medications. One-on-one caregiver behavior training, medication use seven days a week, therapy in a clinic, and an individualized education program were most preferred for managing ADHD. Aside from caregiver training and monthly out-of-pocket costs, caregivers of children diagnosed with ADHD for less than two years prioritized medication use lower than other care management attributes and caregivers of children diagnosed with ADHD for two or more years preferred school accommodations, medication, and provider specialty. CONCLUSIONS: Preferences for ADHD treatment differ based on the duration of the child's ADHD. Acknowledging that preferences change over the course of care could facilitate patient/family-centered care planning across a range of resources and a multidisciplinary team of professionals.
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 | 0,002 | 0,010 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».