Selection of patient-reported outcome measures (PROMs) for use in health systems
Notice bibliographique
Résumé
Many healthcare systems around the world have been increasingly using patient-reported outcome measures (PROMs) in routine outcome measurement to enhance patient-centered care and incorporate the patient's perspective in health system performance evaluation. One of the key steps in using PROMs in health systems is selecting the appropriate measure(s) to serve the purpose and context of measurement. However, the availability of many PROMs makes this choice rather challenging. Our aim was to provide an integrated approach for PROM(s) selection for use by end-users in health systems.The proposed approach was based on relevant literature and existing guidebooks that addressed PROMs selection in various areas and for various purposes, as well as on our experience working with many health system users of PROMs in Canada. The proposed approach includes the following steps: (1) Establish PROMs selection committee; (2) Identify the focus, scope, and type of PROM measurement; (3) Identify potential PROM(s); (4) Review practical considerations for each of the identified PROMs; (5) Review measurement properties of shortlisted PROMs; (6) Review patient acceptance of shortlisted PROMs; (7) Recommend a PROM(s); and (8) Pilot the selected PROM(s). The selection of appropriate PROMs is one step in the successful implementation of PROMs within health systems, albeit, an essential step. We provide guidance for the selection of PROMs to satisfy all potential usages at the micro (patient-clinician), meso (organization), and macro (system) levels within the health system. Selecting PROMs that satisfy all these purposes is essential to ensure continuity and standardization of measurement over time. This is an iterative process and users should consider all the available information from all presented steps in selecting PROMs. Each of these considerations has a different weight in diverse clinical contexts and settings with various types of patients and resources.
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 | 0,381 | 0,492 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,012 | 0,014 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,004 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».