MétaCan
Menu
Retour à la cohorte
Enregistrement W2905009623 · doi:10.1371/journal.pone.0208449

Can patients be trained to expect shared decision making in clinical consultations? Feasibility study of a public library program to raise patient awareness

2018· article· en· W2905009623 sur OpenAlexafffundabout
Évèhouénou Lionel Adisso, Valérie Borde, Marie-Ève Saint-Hilaire, Hubert Robitaille, Patrick Archambault, Johanne Blais, Cynthia Cameron, Michel Cauchon, Richard Fleet, Jean-Simon Létourneau, Michel Labrecque, Julien Quinty, Isabelle Samson, Alexandrine Boucher, Hervé Tchala Vignon Zomahoun, France Légaré

Notice bibliographique

RevuePLoS ONE · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensQuebec Rehabilitation Research NetworkCanadian Institutes of Health ResearchCentres Intégré Universitaires de Santé et de Services SociauxBibliothèque et Archives nationales du QuébecHôpital Saint-François d'AssiseCentre Intégré Universitaire de Santé et de Services Sociaux du Centre-Sud-de-l'Île-de-MontréalUniversité LavalCentre intégré de santé et de services sociaux de Chaudière-AppalachesCentre Intégré Universitaire de Santé et de Services Sociaux du Saguenay–Lac-Saint-Jean
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésFocus groupIntervention (counseling)MedicinePublic healthMedical educationFamily medicineConfidence intervalNursingInternal medicine

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION: Shared decision making (SDM) is a process whereby decisions are made together by patients and/or families and clinicians. Nevertheless, few patients are aware of its proven benefits. This study investigated the feasibility, acceptability and impact of an intervention to raise public awareness of SDM in public libraries. MATERIALS AND METHODS: A 1.5 hour interactive workshop to be presented in public libraries was co-designed with Quebec City public library network officials, a science communication specialist and physicians. A clinical topic of maximum reach was chosen: antibiotic overuse in treatment of acute respiratory tract infections. The workshop content was designed and a format, whereby a physician presents the information and the science communication specialist invites questions and participation, was devised. The event was advertised to the general public. An evaluation form was used to collect data on participants' sociodemographics, feasibility and acceptability components and assess a potential impact of the intervention. Facilitators held a post-workshop focus group to qualitatively assess feasibility, acceptability and impact. RESULTS: All 10 planned workshops were held. Out of 106 eligible public participants, 89 were included in the analysis. Most participants were women (77.6%), retired (46.1%) and over 45 (59.5%). Over 90% of participants considered the workshop content to be relevant, accessible, and clear. They reported substantial average knowledge gain about antibiotics (2.4, 95% Confidence Interval (CI): 2.0-2.8; P < .001) and about SDM (4.0, 95% CI: 3.4-4.5; P < .001). Self-reported knowledge gain about SDM was significantly higher than about antibiotics (4.0 versus 2.4; P < .001). Knowledge gain did not vary by sociodemographic characteristics. The focus group confirmed feasibility and suggested improvements. CONCLUSIONS: A public library intervention is feasible and effective way to increase public awareness of SDM and could be a new approach to implementing SDM by preparing potential patients to ask for it in the consulting room.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,022
score de la tête « metaresearch » (Gemma)0,034
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: Essai non randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,022
Score d'incertitude au seuil0,115

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0220,034
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0020,002
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0070,001

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.

Tête enseignante Opus0,572
Tête enseignante GPT0,513
Écart entre enseignants0,059 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai non randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations21
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetPatient-Provider Communication in HealthcareTravaux en français237 207