MétaCan
Menu
Retour à la cohorte
Enregistrement W4298394267 · doi:10.3171/2022.7.focus22276

Deep brain stimulation in children and youth: perspectives of patients and caregivers gleaned through Twitter

2022· article· en· W4298394267 sur OpenAlexaff
Lior M. Elkaim, Farbod Niazi, Jordan J. Levett, Rakan Bokhari, Carolina Gorodetsky, Sara Breitbart, Fahad Alotaibi, Abdulelah A. Alluhaybi, Alexander G. Weil, Aria Fallah, Naif M. Alotaibi, George M. Ibrahim

Notice bibliographique

RevueNeurosurgical FOCUS · 2022
Typearticle
Langueen
DomaineMedicine
ThématiqueNeurological disorders and treatments
Établissements canadiensCentre Hospitalier Universitaire Sainte-JustineHospital for Sick ChildrenSickKids FoundationUniversity of TorontoMontreal General HospitalUniversité de MontréalMcGill University
Organismes subventionnairesnon disponible
Mots-clésSocial mediaThematic analysisDescriptive statisticsPsychologySentiment analysisInclusion (mineral)Qualitative researchComputer scienceSocial psychologyWorld Wide WebArtificial intelligenceSociology

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: This study aims to glean patient and caregiver perspectives surrounding deep brain stimulation (DBS) in children and youth through an analysis of patterns of social media usage. METHODS: The authors performed a comprehensive search of the Twitter Application Programming Interface (API) database for all tweets about DBS use in children and youth, with no date restriction. Data pertaining to each tweet were extracted for analysis. Results were analyzed using qualitative and quantitative methodologies. These included thematic analysis of tweets, accounts, and descriptive statistics. Sentiment analysis of extracted tweets was also performed. A multivariable regression model was used to identify predictors of higher engagement metrics (likes, retweets, and quotes). RESULTS: A comprehensive search of the Twitter database yielded 877 tweets from 816 unique accounts meeting study inclusion criteria. Most tweets were from patients or caregivers, researchers, or news media outlets. The most common themes among analyzed tweets were research discussing novel findings (45.2%) or personal experiences of patients or caregivers (27.4%). Sentiment analysis showed that 54.5% of tweets were positive, 35.1% were neutral, and 10.4% were negative. The presence of pictures or videos increased the tweet engagement count by an average of 10.5 (95% CI 7.3-13.6). Tweets about personal patient experiences (β = 6, 95% CI 0.95-12) and tweets tagging other accounts (β = 3.2, 95% CI 0.63-5.8) were also significantly associated with higher engagement metrics. CONCLUSIONS: The current study is the first to assess patient and caregiver perspectives surrounding pediatric DBS through a comprehensive analysis of social media usage. Given the nascent field, social media presents an opportunity to share experiences and promote patient and healthcare professional education surrounding pediatric DBS.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 seuil0,330

Scores Codex et Gemma par catégorie

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

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 Opus0,013
Tête enseignante GPT0,246
Écart entre enseignants0,233 · 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 tête enseignante, 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

Citations15
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNeurosurgical FOCUSMême sujetNeurological disorders and treatmentsTravaux en français237 207