Extent and Predictors of Decision Regret among Informal Caregivers Making Decisions for a Loved One: A Systematic Review
Notice bibliographique
Résumé
Background Informal caregivers often serve as decision makers for dependent or vulnerable individuals facing health care decisions. Decision regret is one of the most prevalent outcomes reported by informal caregivers who have made such decisions. Objective To examine levels of decision regret and its predictors among informal caregivers who have made health-related decisions for a loved one. Data sources We performed a systematic search of Embase, MEDLINE, Web of Science, and Google Scholar up to November 2018. Participants were informal caregivers, and the outcome was decision regret as measured using the Decision Regret Scale (DRS). Review methods Two reviewers independently selected eligible studies, extracted data, and assessed the methodological quality of studies using the Mixed Methods Appraisal Tool. We performed a narrative synthesis and presented predictors of decision regret using a conceptual framework, dividing the predictors into decision antecedents, decision-making process, and decision outcomes. Results We included 16 of 3003 studies identified. Most studies ( n = 13) reported a mean DRS score ranging from 7.0 to 32.3 out of 100 (median = 14.3). The methodological quality of studies was acceptable. We organized predictors and their estimated effects (β) or odds ratio (OR) with 95% confidence interval (CI) as follows: decision antecedents (e.g., caregivers’ desire to avoid the decision, OR 2.07, 95% CI [1.04–4.12], P = 0.04), decision-making process (e.g., caregivers’ perception of effective decision making, β = 0.49 [0.05, 0.93], P < 0.01), and decision outcomes (e.g., incontinence, OR = 4.4 [1.1, 18.1], P < 0.001). Conclusions This review shows that informal caregivers’ level of decision regret is generally low but is high for some decisions. We also identified predictors of regret during different stages of the decision-making process. These findings may guide future research on improving caregivers’ experiences.
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 | 0,015 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,010 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».