Implementing Electronic Patient-Reported Outcome Measures in Outpatient Cosmetic Surgery Clinics: An Exploratory Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Patient-reported outcome measure (PROM) data are increasingly being collected over the internet or on a smart device by means of electronic versions (e-PROMs). Limited evidence exists about factors influencing e-PROM implementation in outpatient clinics. OBJECTIVES: The authors sought to identify barriers to collection of PRO data from different locations (home or cosmetic surgery office) by means of different modes (paper vs e-PROM) from the perspective of patients, plastic surgeons, and clinic administrative staff; and to explore patient preferences for the design of e-PROM platforms. METHODS: Semistructured interviews were conducted with 11 patients, 3 cosmetic surgeons, and administrative staff. Patients were shown 1 of the 3 PROMs (ie, the BODY-Q Satisfaction with Body scale, BREAST-Q Augmentation Module Satisfaction with Breast scale, or FACE-Q Satisfaction with Facial Appearance scale). The formats included paper and electronic (REDCap and TickiT) on a tablet and laptop computer. The interviews were audio-recorded and transcribed verbatim. Qualitative descriptive analysis was conducted. RESULTS: Patients and providers preferred electronic over paper format. The flexibility of the hardware, data entry point (remote location vs point-of-care), and the privacy of the data were the most recurring themes from the patient's perspective. The objective of collecting PROM data, role in peer-benchmarking, and return on investment were key to surgeons and administrative staff. CONCLUSIONS: The e-PROMs were well accepted in the community setting by the patients and plastic surgeons alike. The design and interface features of e-PROMs were explored in this study, which may be useful for future, mixed method studies evaluating the implementation of e-PROMs.
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 | 0,032 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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; 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 ».