‘I think this medicine actually killed my wife’: patient and family perspectives on shared decision-making to optimize medications and safety
Notice bibliographique
Résumé
Background: This study explored the perspectives and experiences from patients and families around how patient/family preferences and priorities are considered in medication-related discussions and decisions within the healthcare system. Methods: We conducted a qualitative study using focus groups with residents of Southern Ontario and British Columbia ( N = 16). Three focus groups were conducted using a semi-structured focus group guide. The audiotaped focus group discussions were transcribed verbatim. A thematic analysis, using inductive coding, was completed. Results: A total of three main themes [and several sub-themes (and sub-sub-themes)] emerged from the data: patient and family expertise [ lived experience, information expert, and perceived expert roles (patient/family, healthcare provider)], perceived patient-centredness ( relationship qualities of healthcare provider and assumptions about patients), and system ( time, coordination and communication, and culture). Stories told by participants helped to clarify the relationships between the themes and sub-themes, leading to, what we understand as shared decision-making around medications and subsequent health outcomes. Conclusions: Our findings showed that shared decision-making resulted from both recognition and integration of the personal expertise of the patient and family in medications, and perceived patient-centredness. This is broadly consistent with the current conceptualization of evidence-based medicine. The stories told highlight the complex, dynamic, and nonlinear nature of shared decision-making for medications, and that patient priorities are not as integrated into shared decision-making about medications as we would hope. This suggests the need for developing a systematic process to elicit, record, and integrate patient preferences and priorities about medications to create space for a more patient-centred conversation.
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 | 0,013 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,011 | 0,010 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,004 |
| 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 ».