Using discrete choice experiments to inform the design of complex interventions
Notice bibliographique
Résumé
BACKGROUND: Complex health interventions must incorporate user preferences to maximize their potential effectiveness. Discrete choice experiments (DCEs) quantify the strength of user preferences and identify preference heterogeneity across users. We present the process of using a DCE to supplement conventional qualitative formative research in the design of a demand creation intervention for voluntary medical male circumcision (VMMC) to prevent HIV in Tanzania. METHODS: The VMMC intervention was designed within a 3-month formative phase. In-depth interviews (n = 30) and participatory group discussions (n = 20) sought to identify broad setting-specific barriers to and facilitators of VMMC among adult men. Qualitative results informed the DCE development, identifying the role of female partners, service providers' attitudes and social stigma. A DCE among 325 men in Njombe and Tabora, Tanzania, subsequently measured preferences for modifiable VMMC service characteristics. The final VMMC demand creation intervention design drew jointly on the qualitative and DCE findings. RESULTS: While the qualitative research informed the community mobilization intervention, the DCE guided the specific VMMC service configuration. The significant positive utilities (u) for availability of partner counselling (u = 0.43, p < 0.01) and age-separated waiting areas (u = 0.21, p < 0.05) led to the provision of community information booths for partners and provision of age-separated waiting areas. The strong disutility of female healthcare providers (u = - 0.24, p < 0.01) led to re-training all providers on client-friendliness. CONCLUSION: This is, to our knowledge, the first study documenting how user preferences from DCEs can directly inform the design of a complex intervention. The use of DCEs as formative research may help increase user uptake and adherence to complex interventions.
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 | 0,002 | 0,002 |
| 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».