The Development and Evaluation of Personalized Training in Shared Decision-making Skills for Rheumatologists
Notice bibliographique
Résumé
OBJECTIVE: Many factors influence a patient's preference in engaging in shared decision making (SDM). Several training programs have been developed for teaching SDM to physicians, but none of them focused on the patients' preferences. We developed an SDM training program for rheumatologists with a specific focus on patients' preferences and assessed its effects. METHODS: A training program was developed, pilot tested, and given to 30 rheumatologists. Immediately after the training and 10 weeks later, rheumatologists were asked to complete a questionnaire to evaluate the training. Patients were asked before and after the training to complete a questionnaire on patient satisfaction. RESULTS: Ten weeks after the training, 57% of the rheumatologists felt they were capable of estimating the need of patients to engage in SDM, 62% felt their communication skills had improved, and 33% reported they engaged more in SDM. Up to 268 patients were included. Overall, patient satisfaction was high, but there were no statistically significant differences in patient satisfaction before and after the training. CONCLUSION: The training was received well by the participating rheumatologists. Even in a population of rheumatologists that communicates well, 62% reported improvement. The training program increased awareness about the principles of SDM in patients and physicians, and improved physicians' communicative skills, but did not lead to further improvement in patients' satisfaction, which was already high.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».