Using Visual Methods to Capture Patient Perspectives in Interprofessional Team-Based Care for Chronic Disease Management
Notice bibliographique
Résumé
Background: Understanding how patients perceive their role in the healthcare team can improve overall satisfaction of care and health outcomes. However, it has been challenging to capture the diversity of patient experiences using traditional research approaches. The goal of this study was to explore the perspectives of patients involved in an interprofessional team-based chronic disease management program for chronic obstructive pulmonary disease using visual research techniques. Methods: Our visual approach began with patients autonomously drawing (or mapping) experiences with their healthcare team. The maps were explored with the patients through focus group discussions. Maps were inductively coded to identify similarities and differences between participants’ perceptions. Focus group transcripts were first analyzed independently, then compared to and integrated into the map analysis. Findings: Overall, participants (n = 13) were satisfied as patients of team-based care. Participants drew multiple healthcare providers, sources of information, and themselves to represent their teams. Relationships and significance were represented using arrows, the size of each team member, facial expressions, and symbols. Four key elements of effective team-based models of care emerged: 1) effective information sharing, 2) diversity of providers’ roles, 3) empowerment through self-management, and 4) enhanced access to care. Conclusion: This study used visualization methodology to obtain patient feedback on the program’s performance, elicit patients’ experiences, and attempt to mitigate some of the limitations of isolated survey and focus group methodology, subsequently obtaining rich data on team-based care. Our research also informs ongoing quality improvement of the team nbased model for chronic disease management.
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 | 0,018 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».