Adopting a learning pathway approach to patient partnership in telehealth: A proof of concept
Notice bibliographique
Résumé
Background: Amidst the acceleration of digital health deployment in the province of Québec, the need to clarify the role of patients and caregivers was deemed essential to guide the deployment of telehealth strategies. A patient learning pathway (PLP) approach to patient and caregiver engagement was developed, containing knowledge, abilities, and skills mobilized by patients and caregivers at key moments of the life course with an illness, as well as emerging educational needs. Objective: The objective of the current paper is to present the innovative PLP approach to patient and caregiver engagement in telehealth by applying it to three medical specialties within the context of the Québec healthcare system: dermatology, oncology, and mental health/psychiatry. Methods: The PLP methodology is constituted of five chronological phases: 1) identification and engagement of main stakeholders; 2) exploration; 3) recruitment of patient and caregiver partners; 4) co-development of PLP first draft; and 5) validation and consensus building regarding competencies. Results: Three PLPs (dermatology, oncology, and mental health/psychiatry) have already been mapped using this participatory approach, showing that the proposed PLP approach to patient and caregiver engagement in telehealth is feasible. Conclusions: Mapping patient and caregiver competencies organized throughout patients' life course with an illness can lead to a highly operationalizable tool, which relevant stakeholders can use in a way that promotes patient self-management, shared decision-making, and empowerment. Innovation: The five-step PLP methodology developed proposes an innovative and structured approach to partnership with patients and caregivers in telehealth by outlining their roles throughout their life course with an illness.
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 | 0,021 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».