I am <i>ready</i> to see you now, Doctor! A mixed‐method study of the Let's Discuss Health website implementation in Primary Care
Notice bibliographique
Résumé
BACKGROUND: Let's Discuss Health (LDH) is a website that encourages patients to prepare their health-care encounters by providing communication training, review of topics and questions that are important to them. OBJECTIVE: To describe LDH implementation during primary care (PC) visits for chronic illnesses. METHODS: Design: Descriptive mixed-method study. SETTING: 6 PC clinics. PARTICIPANTS: 156 patients and 51 health-care providers (HCP). INTERVENTION: LDH website implementation. OUTCOME MEASURES: Perceived quality and usefulness of LDH; perceived quality of HCP-patient communication; patient activation; LDH integration in routine PC practices and barriers to its use. RESULTS: Patients reported a positive perception of the website in that it helped them to adopt an active role in the encounters; recall their visit agenda and reduce encounter-related stress; feel more confident to ask questions, feel more motivated to prepare their future medical visits and improve their chronic illness management. However, a certain disconnect emerged between HCP and patient perceptions as to the value of LDH in promoting a sense of partnership and collaboration. The main barriers to the use of LDH are HCP lack of interest, limited access to technology, lack of time and language barriers. CONCLUSION: Our findings indicate that it is advantageous for patients to prepare their medical encounters. However, the study needs to be replicated in other medical environments using larger and more diverse samples. PATIENT AND PUBLIC CONTRIBUTION: Patient partners were involved in the conduct of this study.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».