Assessing and optimizing patient-provider communication regarding cardiovascular rehabilitation (VRCOMM)
Notice bibliographique
Résumé
"Cardiovascular rehabilitation (CR) is proven to reduce morbidity and mortality in cardiac patients. Despite the evidence of benefit, only 15-20% of patients participate. The most successful strategy to promote CR utilization is systematic referral through healthcare provider (HCP) discussions with the patients. The objectives of this study were to: (1) describe patient-HCP interaction regarding CR at the bedside, and (2) investigate which elements were related to patient referral and enrollment. \n\nThis was a prospective study of cardiovascular patients (n=58) and their HCPs (n=60) who received, a digital audiorecorder to record their subsequent interaction, about "secondary prevention". All HCP and patient participants completed a self-report survey assessing sociodemographic characteristics, perceptions of CR and their clinical interaction. Fifty patient-HCP interactions were successfully digitally recorded and coded using the Roter Interaction Analysis System, a method of coding medical dialogue. \n\nThe results show that, CR referral- making following a cardiovascular event was not allocated to a specific HCP; therefore HCP awareness of patient's referral was incredibly low. Some elements of patient-HCP communication were significantly related to patient referral and enrollment in CR programs weeks later. These elements were: greater HCP interactivity, less patient concern and worry, less HCP reassurance and optimism, and more time allocated to patient questions related to lifestyle. Further tests is needed to examine whether HCPs can be trained to communicate with cardiovascular patients in a manner that enhances CR enrollment rates."
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».