<p>A discrete choice experiment on preferences of patients with low back pain about non-surgical treatments: identification, refinement and selection of attributes and levels</p>
Notice bibliographique
Résumé
Objectives: Hospital-based health technology assessment (HB-HTA) needs to consider all relevant data to help decision making, including patients’ preferences. In this study, we comprehensively describe the process of identification, refinement and selection of attributes and levels for a discrete choice experiment (DCE). Methods: A mixed-methods design was used to identify attributes and levels explaining low back pain (LBP) patients’ choice for a non-surgical treatment. This design combined a systematic literature review with a patients’ focus group, one-on-one interactions with experts and patients, and discussions with stakeholder committee members. Following the patient’s focus group, preference exercises were conducted. A consensus about the attributes and levels was researched during discussions with committee members. Results: The literature review yielded 40 attributes to consider in patients’ treatment choice. During the focus group, one additional attribute emerged. The preference exercises allowed selecting eight attributes for the DCE. These eight attributes and their levels were discussed and validated by the committee members who helped reframe two levels in one of the attributes and delete one attribute. The final seven attributes were: treatment modality, pain reduction, onset of treatment efficacy, duration of efficacy, difficulty in daily living activities, sleep problem, and knowledge about their body and pain. Conclusion: This study is one of the few to comprehensively describe the selection process of attributes and levels for a DCE. This may help ensure transparency and judge the quality of the decision-making process. In the context of a HB-HTA unit, this strengthens the legitimacy to perform a DCE to better inform decision makers in a patient-centered care approach. Keywords: low back pain, preference, treatment, choice
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 | 0,065 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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.
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 ».