Factors Affecting Surgical Decisionmaking—A Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Guidelines and Class 1 evidence are strong factors that help guide surgeons' decision-making, but dilemmas exist in selecting the best surgical option, usually without the benefit of guidelines or Class 1 evidence. A few studies have discussed the variability of surgical treatment options that are currently available, but no study has examined surgeons' views on the influential factors that encourage them to choose one surgical treatment over another. This study examines the influential factors and the thought process that encourage surgeons to make these decisions in such circumstances. METHODS: Semi-structured face-to-face interviews were conducted with 32 senior consultant surgeons, surgical fellows, and senior surgical residents at the University of Toronto teaching hospitals. An e-mail was sent out for volunteers, and interviews were audio-recorded, transcribed verbatim, and subjected to thematic analysis using open and axial coding. RESULTS: Broadly speaking there are five groups of factors affecting surgeons' decision-making: medical condition, information, institutional, patient, and surgeon factors. When information factors such as guidelines and Class 1 evidence are lacking, the other four groups of factors-medical condition, institutional, patient, and surgeon factors (the last-mentioned likely being the most powerful)-play a significant role in guiding surgical decision-making. CONCLUSIONS: This study is the first qualitative study on surgeons' perspectives on the influential factors that help them choose one surgical treatment option over another for their 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 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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».