MétaCan
Menu
Retour à la cohorte
Enregistrement W3211079104 · doi:10.1016/j.ekir.2021.10.019

Shared Decision-Making for a Dialysis Modality

2021· review· en· W3211079104 sur OpenAlexaff
Xueqing Yu, Masaaki Nakayama, Kwan‐Dun Wu, Yong-Lim Kim, Lily Mushahar, Cheuk‐Chun Szeto, Dori Schatell, Fredric O. Finkelstein, Robert R. Quinn, Michelle Duddington

Notice bibliographique

RevueKidney International Reports · 2021
Typereview
Langueen
DomaineHealth Professions
ThématiquePatient-Provider Communication in Healthcare
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésDialysisModality (human–computer interaction)MedicineIntensive care medicineFeelingTreatment modalityPeritoneal dialysisInternal medicineComputer sciencePsychologySocial psychologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

The prevalence of kidney failure continues to rise globally. Dialysis is a treatment option for individuals with kidney failure; after the decision to initiate dialysis has been made, it is critical to involve individuals in the decision on which dialysis modality to choose. This review, based on evidence arising from the literature, examines the role of shared decision-making (SDM) in helping those with kidney failure to select a dialysis modality. SDM was found to lead to more people with kidney failure feeling satisfied with their choice of dialysis modality. Individuals with kidney failure must be cognizant that SDM is an active and iterative process, and their participation is essential for success in empowering them to make decisions on dialysis modality. The educational components of SDM must be easy to understand, high quality, unbiased, up to date, and targeted to the linguistic, educational, and cultural needs of the individual. All individuals with kidney failure should be encouraged to participate in SDM and should be involved in the design and implementation of SDM approaches.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,045
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,863
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,045
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,309
Tête enseignante GPT0,537
Écart entre enseignants0,229 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations47
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKidney International ReportsMême sujetPatient-Provider Communication in HealthcareTravaux en français237 207