IMPROVING PATIENT-PROVIDER PARTNERSHIPS ACROSS THE HEALTHCARE SYSTEM
Notice bibliographique
Résumé
Many older patients and their caregivers wish to be engaged in decisions around their care, but this is often not well accommodated in existing practice models. We synthesized available theories and evidence around engagement of older adults in healthcare decision-making into our previously developed “CHOICE” Patient Engagement Framework (Stolee et al., 2015; Elliott et al., 2016) and developed strategies to support meaningful partnerships of older patients and caregivers with their healthcare providers. In partnership with patients, caregivers and health care providers, this current project aimed to answer the following questions: 1) How do the CHOICE principles and strategies correspond with actual experiences of engagement? 2) What factors currently facilitate or hinder patient engagement? and 3) What resources, materials and implementation strategies are needed to support patient engagement in each health setting? We conducted observations and interviews in two healthcare settings (primary care and community care) with providers, patients, and families to understand current perspectives, practices, and facilitating/hindering factors related to patient engagement. Observation and interview data were analyzed using emergent coding as well as directed coding guided by the CHOICE framework. Using the information that emerged from the interviews and observations, resources and materials for patient/caregiver engagement have been co-created by patients, caregivers and healthcare providers, for use in multiple care settings.
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 | 0,066 | 0,098 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,004 |
| Communication savante | 0,011 | 0,015 |
| Science ouverte | 0,003 | 0,034 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».