P.033 Experiences with epilepsy treatments: a qualitative content analysis of online patient support group discussions
Notice bibliographique
Résumé
Background: To promote patient-centred care in epilepsy, it is essential to understand the issues most important to patients. Literature on patient perceptions of epilepsy treatments is sparse. One source of data is online patient support groups. Patients turn to social media for support from other patients and often express viewpoints not shared with healthcare providers. Methods: Using a qualitative content analysis approach, we analyzed major online epilepsy patient support groups. We initially selected a month-long discussion text across these forums, and further threads were sampled with maximum variation until theme saturation was reached. For data coding and analysis, we employed a combination of a priori codes and emergent codes, using NVivo 11 for data analysis. Results: In our preliminary analysis, we identified topics and categorized them into themes: 1) differential perceptions and understandings of epilepsy; (2) understanding treatment options; (3) experiences of physiological and psychological treatment side effects; (4) concerns about healthcare providers’ knowledge and communication regarding treatments. Conclusions: Preliminary results indicate a variety of patient perceptions and understandings of epilepsy and its treatments. Our findings also suggest that patient educational needs should be addressed by incorporating their understanding and concerns. Shared-decision making tools informed by patient perceptions could help healthcare providers better communicate treatment options with patients.
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 | 0,016 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,006 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».