Expectations and educational needs of rheumatologists, rheumatology fellows and patients in the field of precision medicine in Canada, a quantitative cross-sectional and descriptive study
Notice bibliographique
Résumé
BACKGROUND: Precision medicine, as a personalized medicine approach based on biomarkers, is a booming field. In general, physicians and patients have a positive attitude toward precision medicine, but their knowledge and experience are limited. In this study, we aimed at assessing the expectations and educational needs for precision medicine among rheumatologists, rheumatology fellows and patients with rheumatic diseases in Canada. METHODS: We conducted two anonymous online surveys between June and August 2018, one with rheumatologists and fellows and one with patients assessing precision medicine expectations and educational needs. Descriptive statistics were performed. RESULTS: 45 rheumatologists, 6 fellows and 277 patients answered the survey. 78% of rheumatologists and fellows and 97.1% of patients would like to receive training on precision medicine. Most rheumatologists and fellows agreed that precision medicine tests are relevant to medical practice (73.5%) with benefits such as helping to determine prognosis (58.9%), diagnosis (79.4%) and avoid treatment toxicity (61.8%). They are less convinced of their usefulness in helping to choose the most effective treatment and to improve patient adherence (23.5%). Most patients were eager to take precision medicine tests that could predict disease prognosis (92.4%), treatment response (98.1%) or drug toxicity (93.4%), but they feared potential negative impacts like loss of insurability (62.2%) and high cost of the test (57.5%). CONCLUSIONS: Our study showed that rheumatologists and patients in Canada are overall interested in getting additional precision medicine education. Indeed, while convinced of the potential benefits of precision medicine tests, most physicians don't feel confident in their abilities and consider their training insufficient to incorporate them into clinical practice.
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 | 0,002 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».