Lessons learned from using whiteboard videos and YouTube for deprescribing guidelines knowledge mobilization
Notice bibliographique
Résumé
OBJECTIVES: Deprescribing is the planned and supervised process of dose reduction or stopping medication. Few clinical guidelines exist to help health care professionals in making decisions about deprescribing. The Bruyère Deprescribing Guidelines Team developed a series of evidence-based medication-class specific deprescribing guidelines and, to extend reach and uptake, disseminated them as whiteboard videos published on YouTube. This paper reports on the creation, sharing and evaluation of videos on proton pump inhibitor (PPI), antihyperglycemic (AHG), antipsychotic (AP) and benzodiazepine receptor agonist (BZRA) deprescribing guidelines. METHODS: Whiteboard videos depict an animator drawing on a whiteboard, while the narrator reads the script. In each video, the deprescribing algorithm is applied to mock patient cases. The videos were shared on YouTube and promoted via Twitter and other web-based tools. Evaluation methods included YouTube analytics and the validated Information Assessment Method (IAM) questionnaire. KEY FINDINGS: The four videos have a combined total of 26 387 views over the approximately 50 months since publishing, with viewers watching 34-40% of the videos' runtimes on average. The PPI and AHG deprescribing videos were viewed 4318 times in 97 countries during the first year. IAM respondents perceived the PPI, AHG and AP video content to be relevant, useful to learning and applicable to patient care. CONCLUSIONS: Using whiteboard videos on YouTube to explain deprescribing guidelines was a successful approach to knowledge mobilization. The evaluation approach is innovative as it combines typical success factors for online learning videos (e.g. views, estimated minutes watched) with responses to a validated information assessment tool.
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 | 0,005 | 0,007 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 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 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 ».