Pretransplant Patient Education in Solid-organ Transplant: A Narrative Review
Notice bibliographique
Résumé
Education for pretransplant, solid-organ recipient candidates aims to improve knowledge and understanding about the transplant process, outcomes, and potential complications to support informed, shared decision-making to reduce fears and anxieties about transplant, inform expectations, and facilitate adjustment to posttransplant life. In this review, we summarize novel pretransplant initiatives and approaches to educate solid-organ transplant recipient candidates. First, we review approaches that may be common to all solid-organ transplants, then we summarize interventions specific to kidney, liver, lung, and heart transplant. We describe evidence that emphasizes the need for multidisciplinary approaches to transplant education. We also summarize initiatives that consider online (eHealth) and mobile (mHealth) solutions. Finally, we highlight education initiatives that support racialized or otherwise marginalized communities to improve equitable access to solid-organ transplant. A considerable amount of work has been done in solid-organ transplant since the early 2000s with promising results. However, many studies on education for pretransplant recipient candidates involve relatively small samples and nonrandomized designs and focus on short-term surrogate outcomes. Overall, many of these studies have a high risk of bias. Frequently, interventions assessed are not well characterized or they are combined with administrative and data-driven initiatives into multifaceted interventions, which makes it difficult to assess the impact of the education component on outcomes. In the future, well-designed studies rigorously assessing well-defined surrogate and clinical outcomes will be needed to evaluate the impact of many promising initiatives.
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 | 0,000 |
| 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 ».