Collaborating with Patient Partners to Model Clinical Care Pathways in Major Depressive Disorder: The Benefits of Mixing Evidence and Lived Experience
Notice bibliographique
Résumé
BACKGROUND: Partnering with patients can enrich the design and development of models of clinical care pathways, yet the practice is not commonplace. Guidelines or "best practices" for patient involvement in modeling are scarce. OBJECTIVES: In this paper, we outline the steps we took to form an effective partnership with patients to design a robust microsimulation Markov model of major depressive disorder care pathways in British Columbia, Canada, with the aim of encouraging other teams to partner with patients in healthcare modeling endeavors. METHODS: We describe three unique phases of our collaborative process: uncertainty, mapping, and structured collaboration. We then explore the unique contributions the patient partners made, not only to the model itself, but to our process. Key perspectives are shared from both the modeler and the patient partners in their own words. RESULTS: The patient partners made distinct contributions by challenging and verifying modeling assumptions, noting limitations of the model, and suggesting areas for future research. Both the patient partners and the modelers saw great value in the partnership and agreed that the model was strengthened by the diversity of the team. CONCLUSIONS: We present our learning and key recommendations for future modeling teams in the absence of tested frameworks. We encourage more widespread adoption of patient involvement in modeling and the development of guidelines for such work to increase the democracy of scientific decision making.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».