Qualitative study of practices and challenges when making a diagnosis of asthma in primary care
Notice bibliographique
Résumé
Misdiagnosis (over-diagnosis and under-diagnosis) of asthma is common. Under-diagnosis can lead to avoidable morbidity and mortality, while over-diagnosis exposes patients to unnecessary side effects of treatment(s) and results in unnecessary healthcare expenditure. We explored diagnostic approaches and challenges faced by general practitioners (GPs) and practice nurses when making a diagnosis of asthma. Fifteen healthcare professionals (10 GPs and 5 nurses) of both sexes, different ages and varying years of experience who worked in NHS Lothian, Scotland were interviewed using in-depth, semi-structured qualitative interviews. Transcripts were analysed using a thematic approach. Clinical judgement of the probability of asthma was fundamental in the diagnostic process. Participants used heuristic approaches to assess the clinical probability of asthma and then decide what tests to do, selecting peak expiratory flow measurements, spirometry and/or a trial of treatment as appropriate for each patient. Challenges in the diagnostic process included time pressures, the variable nature of asthma, overlapping clinical features of asthma with other conditions such as respiratory viral illnesses in children and chronic obstructive pulmonary disease (COPD) in adults. To improve diagnostic decision-making, participants suggested regular educational opportunities and better diagnostic tools. In the future, standardising the clinical assessment made by healthcare practitioners should be supported by improved access to diagnostic services for additional investigation(s) and clarification of diagnostic uncertainty.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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) | 0,000 | 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 ».