MétaCan
Menu
Retour à la cohorte
Enregistrement W4296471909 · doi:10.1093/her/cyac023

Feasibility of multimedia animations as preoperative guides for urgent abdominal surgeries in a public hospital in Brazil

2022· article· en· W4296471909 sur OpenAlexafffund
Gabriel Schnitman, Danila Gomes, Dan Deckelbaum, Edivaldo Massazo Utiyama

Notice bibliographique

RevueHealth Education Research · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueHealth Education and Validation
Établissements canadiensMcGill University
Organismes subventionnairesMitacs
Mots-clésMedicinePsychological interventionPublic hospitalPatient educationHealth literacyMedical emergencyHealth careNursing

Résumé

récupéré en direct d'OpenAlex

Health literacy, culture and language play vital roles in patients' understanding of health issues. Obstacles are more evident in low- and middle-income countries (LMICs), where inadequate patient education levels are higher and hospital resources are lower. This is a prospective pilot study assessing the feasibility of digital preoperative animations as guides for surgical patients. Patients admitted to a public hospital in Brazil for acute cholecystitis or appendicitis were included. Feasibility was represented by acceptability rate and ease of integration with department protocols. Thirty-four patients were included, and 26 patients concluded the intervention (76.5% acceptability rate). Demographic factors seemed to affect the results, indicated by higher acceptability from those with lower education levels, from younger patients and from women. Few studies have evaluated the use of multimedia resources for surgical patients, and no studies assessed the use of animations as digital patient education resources in an LMIC. This study demonstrated that the use of animations for patient education in LMICs is feasible. A step-based approach is proposed to aid the implementation of patient education digital interventions. The use of digital multimedia animations as preoperative guides in LMICs is feasible. It may help improve patient education and promote clinical benefits.

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)0,004
score de la tête « metaresearch » (Gemma)0,019
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,020

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,019
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,386
Tête enseignante GPT0,612
Écart entre enseignants0,225 · 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'étudeObservationnel
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'admission2
Résumé présentoui

Explorer davantage

Même revueHealth Education ResearchMême sujetHealth Education and ValidationTravaux en français237 207