MétaCan
Menu
← Retour à la cohorte
Enregistrement W4289878990 · doi:10.2196/31903

An Intervention Mapping Approach to Developing a Stroke Literacy Video for Recent Stroke Survivors: Development and Usability Study

2022· article· en· W4289878990 sur OpenAlexvenueno aff
Mary Carter Denny, Andrea Ancer Leal, Tahani Casameni Montiel, Keona Wynne, Gabrielle Edquilang, Kim Yen Thi Vu, Farhaan Vahidy, Sean I. Savitz, Jennifer E. S. Beauchamp, Anjail Sharrief

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueAcute Ischemic Stroke Management
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Neurological Disorders and StrokeNational Institutes of Health
Mots-clésPsychological interventionStroke (engine)Intervention (counseling)UsabilityLiteracyMedicineIntervention mappingPhysical therapyPsychologyNursingPublic healthComputer scienceHealth promotion

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Most vascular events after stroke may be prevented by modifying vascular risk factors through medical and behavioral interventions. Stroke literacy-an understanding of stroke symptoms, risk factors, and treatment-likely contributes to vascular risk factor control and in turn stroke recurrence risk. Stroke literacy is the lowest among adults belonging to racial and ethnic minority populations in the United States. Video-based interventions targeting stroke literacy may help acute stroke survivors understand stroke and subsequently reduce the risk of stroke recurrence. However, the failure of prior stroke literacy interventions may be due in part to the fact that the interventions were not theory-driven. Intervention mapping (IM) provides a framework for use in the development, implementation, and evaluation of evidence-informed, health-related interventions. OBJECTIVE: We aimed to develop a video-based educational intervention to improve stroke literacy in hospitalized patients with acute stroke. METHODS: The 6-step iterative process of IM was used to develop a video-based educational intervention and related implementation and evaluation plans. The six steps included a needs assessment, the identification of outcomes and change objectives, the selection of theory- and video-based intervention methods and practical applications, the development of a video-based stroke educational intervention, plans for implementation, and evaluation strategies. RESULTS: A 5-minute video-based educational intervention was developed. The IM approach led to successful intervention development by emphasizing stakeholder involvement, generation and adoption, and information retainment in the planning phase of the intervention. A planned approach to video adoption, implementation, and evaluation was also developed. CONCLUSIONS: An IM approach guided the development of a 5-minute video-based educational intervention to promote stroke literacy among acute stroke survivors. Future studies are needed to assess the use of technology and digital media to support widespread access and participation in video-based health literacy interventions for populations with acute and chronic stroke. Studies are needed to assess the impact of video-based educational interventions that are paired with stroke systems of care optimization to reduce the risk of stroke recurrence. Furthermore, studies on culturally and linguistically sensitive video-based stroke literacy interventions are needed to address known racial and ethnic disparities in stroke literacy. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.1371/journal.pone.0171952.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,023
score de la tête « metaresearch » (Gemma)0,045
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,023
Score d'incertitude au seuil0,123

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0230,045
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,098
Tête enseignante GPT0,424
Écart entre enseignants0,326 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

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

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetAcute Ischemic Stroke Management→Travaux en français237 207→