What are patients reading? Assessing the quality of online resources on sudden cardiac arrest in athletes
Notice bibliographique
Résumé
Abstract Funding Acknowledgements Type of funding sources: None. Introduction Patients frequently use the internet as an educational resource and sometimes in complete substitution of an expert physician’s consultation. Sudden cardiac arrests (SCA) in athletes are often sensationalised and attract much online readership. No studies have explored the quality of online content relating to SCA in athletes. Purpose To assess the quality of online educational resources on SCA in athletes. Methods The first 200 hits of the search "sudden cardiac arrest in athletes" on Google were analyzed. For each website, reading difficulty was evaluated using 5 validated reading indices. Content quality was assessed with point-based scoring systems established by expert opinion. Results A total of 115 unique web domains met eligibility criteria, only 2 of which were within the limits of national recommended readability level (≤8th grade). 53.9% were from educational institutions. Mean content accuracy scored only 6.5 ± 3.9 out of 15 (43%), and mean school-grade reading level was 13.3 ± 2.9 years (equivalent to a post-secondary level of education). The majority of websites had poor lay appropriate explanations of concepts; 91.3% failed to adequately explain basic principles of treatment; 68.7% failed to mention over half of common etiologies associated with SCA; only 59.1% correctly cited incidence of SCA amongst young athletes; 24.3% did not explore management options and only 28.7% mentioned treatment options beyond immediate resuscitation. Higher reading difficulty correlated with higher accuracy scores (β 1.1, p < 0.001). Conclusion There is a paucity of accurate, lay language appropriate online health information on SCA in athletes. Incomprehensible and incomplete information may lead to inappropriate decisions by patients. A collaborative approach between experts and patients may assist in the creation of resources related to athletes’ health.
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 | 0,004 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».