Clarifying Values: An Updated and Expanded Systematic Review and Meta-Analysis
Notice bibliographique
Résumé
Background Patient decision aids should help people make evidence-informed decisions aligned with their values. There is limited guidance about how to achieve such alignment. Purpose To describe the range of values clarification methods available to patient decision aid developers, synthesize evidence regarding their relative merits, and foster collection of evidence by offering researchers a proposed set of outcomes to report when evaluating the effects of values clarification methods. Data Sources MEDLINE, EMBASE, PubMed, Web of Science, the Cochrane Library, and CINAHL. Study Selection We included articles that described randomized trials of 1 or more explicit values clarification methods. From 30,648 records screened, we identified 33 articles describing trials of 43 values clarification methods. Data Extraction Two independent reviewers extracted details about each values clarification method and its evaluation. Data Synthesis Compared to control conditions or to implicit values clarification methods, explicit values clarification methods decreased the frequency of values-incongruent choices (risk difference, –0.04; 95% confidence interval [CI], –0.06 to –0.02; P < 0.001) and decisional conflict (standardized mean difference, –0.20; 95% CI, –0.29 to –0.11; P < 0.001). Multicriteria decision analysis led to more values-congruent decisions than other values clarification methods (χ 2 = 9.25, P = 0.01). There were no differences between different values clarification methods regarding decisional conflict (χ 2 = 6.08, P = 0.05). Limitations Some meta-analyses had high heterogeneity. We grouped values clarification methods into broad categories. Conclusions Current evidence suggests patient decision aids should include an explicit values clarification method. Developers may wish to specifically consider multicriteria decision analysis. Future evaluations of values clarification methods should report their effects on decisional conflict, decisions made, values congruence, and decisional regret.
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 | 0,093 | 0,235 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,019 | 0,027 |
| Bibliométrie | 0,036 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,010 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».