MétaCan
Menu
Retour à la cohorte
Enregistrement W3026084796 · doi:10.1177/0272989x20904955

What Helps People Make Values-Congruent Medical Decisions? Eleven Strategies Tested across 6 Studies

2020· article· en· W3026084796 sur OpenAlexaff
Holly O. Witteman, Anne‐Sophie Julien, Ruth Ndjaboué, Nicole Exe, Valerie C. Kahn, Angela Fagerlin, Brian J. Zikmund‐Fisher

Notice bibliographique

RevueMedical Decision Making · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésPsychologyCongruence (geometry)HarmDecision qualityOutcome (game theory)Quality (philosophy)Social psychologyActuarial scienceMedicinePatient satisfactionMathematicsEconomics

Résumé

récupéré en direct d'OpenAlex

Background. High-quality health decisions are often defined as those that are both evidence informed and values congruent. A values-congruent decision aligns with what matters to those most affected by the decision. Values clarification methods are intended to support values-congruent decisions, but their effects on values congruence are rarely evaluated. Methods. We tested 11 strategies, including the 3 most commonly used values clarification methods, across 6 between-subjects online randomized experiments in demographically diverse US populations ( n1 = 1346, n2 = 456, n3 = 840, n4 = 1178, n5 = 841, n6 = 2033) in the same hypothetical decision. Our primary outcome was values congruence. Decisional conflict was a secondary outcome in studies 3 to 6. Results. Two commonly used values clarification methods (pros and cons, rating scales) reduced decisional conflict but did not encourage values-congruent decisions. Strategies using mathematical models to show participants which option aligned with what mattered to them encouraged values-congruent decisions and reduced decisional conflict when assessed. Limitations. A hypothetical decision was necessary for ethical reasons, as we believed some strategies may harm decision quality. Later studies used more outcomes and covariates. Results may not generalize outside US-based adults with online access. We assumed validity and stability of values during the brief experiments. Conclusions. Failing to explicitly support the process of aligning options with values leads to increased proportions of values-incongruent decisions. Methods representing more than half of values clarification methods commonly in use failed to encourage values-congruent decisions. Methods that use models to explicitly show people how options align with their values offer more promise for helping people make decisions aligned with what matters to them. Decisional conflict, while arguably an important outcome in and of itself, is not an appropriate proxy for values congruence.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,121
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesCharge utile insuffisante (le modèle a refusé de juger)
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,792
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,121
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0020,000
Communication savante0,0000,001
Science ouverte0,0020,004
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,347
Tête enseignante GPT0,534
Écart entre enseignants0,186 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations37
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMedical Decision MakingMême sujetPatient-Provider Communication in HealthcareTravaux en français237 207