Knowledge, beliefs, and concerns about bone health from a systematic review and metasynthesis of qualitative studies
Notice bibliographique
Résumé
BACKGROUND: Patients with low bone density or osteoporosis need information for effective prevention or disease management, respectively. However, patients may not be getting enough information from their primary care providers or other sources. Inadequate disease information leaves patients ill-informed and creates misconceptions and unnecessary concerns about the disease. OBJECTIVE: We systematically reviewed and synthesized the available literature to determine patient knowledge, beliefs, and concerns about osteoporosis and identify potential gaps in knowledge. METHODS: A systematic search was conducted for full-text qualitative studies addressing understanding, literacy, and/or perceptions about osteoporosis and its management, using Medline, EMBASE, Web of Science, Cochrane Library, CINAHL, ERIC, PsychINFO, Psyc Behav Sci Collec, and PubMed, from inception through September 2016. Studies were selected by two reviewers, assessed for quality, and themes extracted using the Joanna Briggs Institute data extraction tool. Thematic analysis was used to identify themes and subthemes. RESULTS: Twenty-five studies with a total of 757 participants (including 105 men) were selected for analysis out of 1031 unique citations. Selected studies were from Australia, Canada, Denmark, Norway, the United Kingdom, and the United States. Four main themes emerged: inadequate knowledge, beliefs and misconceptions, concerns about osteoporosis, and lack of information from health care providers. Participants had inadequate knowledge about osteoporosis and were particularly uninformed about risk factors, causes, treatment, and prevention. Areas of concern for participants included diagnosis, medication side effects, and inadequate information from primary care providers. CONCLUSION: Although there was general awareness of osteoporosis, many misconceptions and concerns were evident. Education on bone health needs to reinforce areas of knowledge and address deficits, misconceptions, and concerns.
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 | 0,082 | 0,174 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,011 |
| Bibliométrie | 0,025 | 0,020 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».