Using Shared Decision-Making Tools and Patient-Clinician Conversations About Costs
Notice bibliographique
Résumé
ObjectiveTo determine how shared decision-making (SDM) tools used during clinical encounters that raise cost as an issue impact the incidence of cost conversations between patients and clinicians.Patients and MethodsA randomly selected set of 220 video recordings of clinical encounters were analyzed. Videos were obtained from eight practice-based randomized clinical trials and one quasi-randomized clinical trial (pre- and post-) comparing care with and without SDM tools. The secondary analysis took place in 2018 from trials ran between 2007 and 2015.ResultsMost patient participants were white (85%), educated (38% completed college), middle-aged (mean age 56 years), and female (61%). There were 105 encounters with and 115 without the SDM tool. Encounters with SDM tools were more likely to include both general cost conversations (62% vs 36%, odds ratio [OR]: 9.6; 95% CI: 4 to 26) as well as conversations on medication costs specifically (89% vs 51%, P=.01). However, clinicians using SDM tools were less likely to address cost issues during the encounter (37% vs 51%, P=.04). Encounters with patients with less than a college degree were also associated with a higher incidence of cost conversations.ConclusionUsing SDM tools that raise cost as an issue increased the occurrence of cost conversations but was less likely to address cost issues or offer potential solutions to patients’ cost concerns. This result suggests that SDM tools used during the consultation can trigger cost conversations but are insufficient to support them.
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 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».