Getting to Know Your Patient: Content Analysis of Patients’ Answers to a Questionnaire for Promoting Person-Centered Care
Notice bibliographique
Résumé
BACKGROUND: Person-centered care (PCC) encourages patients to actively participate in health care, thus facilitating care that fits the life of the patient. Therefore, health care professionals (HCPs) need to know the patient. As part of a broad policy for improving PCC, a digital questionnaire ("We would like to know you") consisting of 5 questions has previously been developed to help HCPs to get to know the patient with the help of patient and staff involvement. OBJECTIVE: The purpose of this study was to provide insight into the content and aims of the questionnaire to understand its potential and usability. METHODS: We conducted a qualitative, retrospective content analysis of patients' answers using NVivo Pro (QSR International). The questionnaire was used in the outpatient neuro-oncology department of a Dutch academic hospital. RESULTS: Of 374 invited patients, 78 (20.9%) completed the questionnaire. We selected a sample of 42 (54%) of the 78 patients. Patients used a median of 16 (IQR 7-27) words per question, and most answers were easily interpretable. When asked about important activities, social activities, sports, or maintaining a normal life were most frequently mentioned. Patients wrote about fear of the disease, its possible influence on life, or fear of the future in general. Patients wanted HCPs to know about their care and communication preferences or shared personal information. They formulated expectations about effective treatment, communication, and the care process. CONCLUSIONS: The questionnaire seems usable because patients provide interpretable answers that take little time to read, which HCPs can use to personalize care. Our study shows the potential of the questionnaire to help deliver PCC.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,001 |
| 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 ».