Individual Value Clarification Methods Based on Conjoint Analysis: A Systematic Review of Common Practice in Task Design, Statistical Analysis, and Presentation of Results
Notice bibliographique
Résumé
BACKGROUND: There is an increased practice of using value clarification exercises in decision aids that aim to improve shared decision making. Our objective was to systematically review to which extent conjoint analysis (CA) is used to elicit individual preferences for clinical decision support. We aimed to identify the common practices in the selection of attributes and levels, the design of choice tasks, and the instrument used to clarify values. METHODS: We searched Scopus, PubMed, PsycINFO, and Web of Science to identify studies that developed a CA exercise to elicit individual patients' preferences related to medical decisions. We extracted data on the above-mentioned items. RESULTS: Eight studies were identified. Studies included a fixed set of 4-8 attributes, which were predetermined by interviews, focus groups, or literature review. All studies used adaptive conjoint analysis (ACA) for their choice task design. Furthermore, all studies provided patients with their preference results in real time, although the type of outcome that was presented to patients differed (attribute importance or treatment scores). Among studies, patients were positive about the ACA exercise, whereas time and effort needed from clinicians to facilitate the ACA exercise were identified as the main barriers to implementation. DISCUSSION: There is only limited published use of CA exercises in shared decision making. Most studies resembled each other in design choices made, but patients received different feedback among studies. Further research should focus on the feedback patients want to receive and how the CA results fit within the patient-physician dialogue.
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 | 0,033 | 0,187 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».