Identifying health-related quality of life concepts to inform the development of the WOUND-Q
Notice bibliographique
Résumé
OBJECTIVE: The impact of hard-to-heal wounds extends beyond traditional clinical metrics, negatively affecting a patient's health-related quality of life (HRQoL). Yet treatment outcomes are seldom measured from the patient's perspective. The purpose of the present study was to perform in-depth qualitative interviews with patients diagnosed with varying types of hard-to-heal wounds to identify outcomes important to them. METHOD: Participants were recruited from wound care clinics in Canada, Denmark, the Netherlands and the US, and were included if they had a hard-to-heal wound (i.e., lasting ≥3 months), were aged ≥18 years, and fluent in English, Dutch or Danish. Qualitative interviews took place between January 2016 and March 2017. An interpretive description qualitative approach guided the data analysis. Interviews were audio-recorded, transcribed and coded line-by-line. Codes were categorised into top-level domains and themes that formed the final conceptual framework. RESULTS: We performed 60 in-depth interviews with patients with a range of wound types in different anatomic locations that had lasted from three months to 25 years. Participants described outcomes that related to three top-level domains and 13 major themes: wound (characteristics, healing); HRQoL (physical, psychological, social); and treatment (cleaning, compression stocking, debridement, dressing, hyperbaric oxygen, medication, suction device, surgery). CONCLUSION: The conceptual framework developed as part of this study represents the outcome domains that mattered the most to the patients with hard-to-heal wounds. Interview quotes were used to generate items that formed the WOUND-Q scales, a patient-reported outcome measure for patients with hard-to-heal wounds.
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 | 0,001 | 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 ».