Patient generated research priorities to improve diagnostic safety: A systematic prioritization exercise
Notice bibliographique
Résumé
BACKGROUND: Most people experience a diagnostic error at least once in their lifetime. Patients' experiences with their diagnosis could provide important insights when setting research priorities to reduce diagnostic error. OBJECTIVE: Our objective was to engage patients in research agenda setting for improving diagnosis. PATIENT INVOLVEMENT: Patients were involved in generating, discussing, prioritizing, and ranking of research questions for diagnostic error reduction. METHODS: We used the prioritization methodology based on the Child Health and Nutrition Research Initiative (CHNRI). We first solicited research questions important for diagnostic error reduction from a large group of patients. Thirty questions were initially prioritized at an in-person meeting with 8 patients who were supported by 4 researchers. The resulting list was further prioritized by patients who scored questions on five predefined criteria. We then applied previously determined weights to these prioritization criteria to adjust the final prioritization score for each question, resulting in 10 highest priority research questions. RESULTS: Forty-one patients submitted 171 research questions. After prioritization, the highest priority topics included better care coordination across the diagnostic continuum and improving care transitions, improved identification and measurement of diagnostic errors and attention for implicit bias towards patients who are vulnerable to diagnostic errors. DISCUSSION: We systematically identified the top-10 patient generated research priorities for diagnostic error reduction using transparent and objective methods. Patients prioritized different research questions than researchers and therefore complemented an agenda previously generated by researchers. PRACTICAL VALUE: Research priorities identified by patients can be used by funders and researchers to conduct future research focused on reducing diagnostic errors. FUNDING: This project was funded by the Gordon and Betty Moore Foundation.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,576 | 0,662 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,007 | 0,009 |
| Bibliométrie | 0,030 | 0,018 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,012 | 0,014 |
| Science ouverte | 0,008 | 0,018 |
| Intégrité de la recherche | 0,005 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».