Talking the same language on patient empowerment: Development and content validation of a taxonomy of self‐management interventions for chronic conditions
Notice bibliographique
Résumé
CONTEXT: The literature on self-management interventions (SMIs) is growing exponentially, but it is characterized by heterogeneous reporting that limits comparability across studies and interventions. Building an SMI taxonomy is the first step towards creating a common language for stakeholders to drive research in this area and promote patient self-management and empowerment. OBJECTIVE: To develop and validate the content of a comprehensive taxonomy of SMIs for long-term conditions that will help identify key characteristics and facilitate design, reporting and comparisons of SMIs. METHODS: We employed a mixed-methods approach incorporating a literature review, an iterative consultation process and mapping of key domains, concepts and elements to develop an initial SMI taxonomy that was subsequently reviewed in a two-round online Delphi survey with a purposive sample of international experts. RESULTS: The final SMI taxonomy has 132 components classified into four domains: intervention characteristics, expected patient/caregiver self-management behaviours, outcomes for measuring SMIs and target population characteristics. The two-round Delphi exercise involving 27 international experts demonstrated overall high agreement with the proposed items, with a mean score (on a scale of 1-9) per component of 8.0 (range 6.1-8.8) in round 1 and 8.1 (range 7.0-8.9) in round 2. CONCLUSIONS: The SMI taxonomy contributes to building a common framework for the patient self-management field and can help implement and improve patient empowerment and facilitate comparative effectiveness research of SMIs. Patient or public contribution. Patients' representatives contributed as experts in the Delphi process and as partners of the consortium.
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 ».