Evaluating YouTube as a Source of Patient Information for Functional Endoscopic Sinus Surgery
Notice bibliographique
Résumé
Objective: To evaluate the quality of information presented on YouTube regarding functional endoscopic sinus surgery (FESS) for patients. Methods: YouTube was searched using FESS-specific keywords under the setting of “relevance.” The first 50 videos from each keyword were reviewed and analyzed by 2 independent physician reviewers. Videos not related to FESS and duplicates were excluded. Outcome measures included the modified DISCERN score (range 0-5), the Journal of the American Medical Association ( JAMA) benchmark criteria (range: 0-4), a novel scoring checklist for FESS assessing usefulness (range: 0-16), and the Video Power Index (VPI). Intraclass correlation coefficient (ICC) was calculated. Results: Of the 200 videos identified, 95 videos were analyzed after exclusions. Videos had an average VPI of 40.8 and SD 133.2. Average scores from the 3 objective checklists among all videos were low: modified DISCERN: 1.91, SD: 1.15; JAMA benchmark: 1.91, SD: 0.76; and FESS score: 3.54, SD: 1.77. The ICC between the 2 independent reviewers was excellent for all 3 checklists. We noted significant positive Pearson correlation between all 3 checklist scores ( P < .001). In between-group comparisons of mean scores, there was significantly higher DISCERN and JAMA scores for videos from university/professional organizations, as compared to videos from medical advertising/for-profit companies and independent users. There were no significant differences in FESS scores noted between the 3 groups. Conclusion: There were overall low scores across the modified DISCERN, JAMA benchmark criteria, and FESS scoring checklists, reflecting the poor quality of YouTube videos as a source of patient information for FESS.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».