Determining patient preferences in the treatment of medication‐refractory overactive bladder
Notice bibliographique
Résumé
INTRODUCTION: Overactive bladder (OAB) is often suboptimally addressed by behavioral or pharmacological treatments. Less than 15% of patients choose to pursue advanced OAB therapy (sacral nerve stimulation [SNS], percutaneous tibial nerve stimulation [PTNS], and bladder onabotulinum toxin type-A [BTX-A]). We seek to better understand which factors are most important to patients when choosing a third-line therapy. METHODS/MATERIALS: We developed a conjoint analysis survey that included five attributes of the third-line options for OAB (SNS, PTNS, and BTX-A). We administered the survey to new patients with urinary incontinence at two institutions. A hierarchical Bayes random effects regression analysis was used to determine the relative importance of the attributes. A choice simulator was used to model which third-line treatment options patients preferred. We followed patients to see if they pursued their predicted treatment. RESULTS: A total of 108 patients completed the study of whom 89% were women. There was representation from all age groups. The most important attributes of decision-making were the frequency of future procedures, the risk of catheterization, and the need for a device. On market simulation, SNS was the preferred treatment option (47%), followed by PTNS (29%) and BTX-A (14%). Only 10% of patients did not find any treatment option acceptable. CONCLUSIONS: Frequent follow-up, risk of catheterization, and the need for a device were the most important attributes when making a decision on third-line OAB therapy. On market simulation, SNS is the preferred treatment for all age groups though the ultimate choice in third-line therapy may be affected by external factors.
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 | 0,000 | 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 | 0,000 | 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 ».